[发明专利]一种基于自适应时间戳与多尺度特征提取的轨迹预测方法

说明书

本发明公开了一种基于自适应时间戳与多尺度特征提取的轨迹预测方法，包括以下步骤：S1：构建自适应轨迹切割时间戳；S2：根据时间戳，对用户轨迹进行切割，来拟合用户的运动模式；S3：对用户历史轨迹进行特征提取；S4：对特征向量进行归一化处理，统一多尺度特征量纲；S5：通过LSTM网络模型和分类器预测下一个POI。本发明通过结合历史轨迹数据的时间统计特性，自适应地为每一个用户定义个性化时间戳，关注不同用户运动模式之间的差异性；并结合时间序列特征提取方法多尺度对用户轨迹特征进行提取，解决了人为固定时间戳定义、轨迹特征单一性以及特征向量嵌入量纲不统一给用户轨迹预测带来的问题，提高了预测精度的效果。

技术领域

本发明涉及轨迹预测技术领域，尤其涉及一种基于自适应时间戳与多尺度特征提取的轨迹预测方法。

背景技术

随着基于位置社交网络(Location based Social Network,LBSN)的快速发展，越来越多基于时空背景的可用信息能够被收集起来用于研究人群移动性。一般，时空背景下的可用信息指的是包含了用户签到时间和地点的数据，这些数据的产生催生了海量有价值的应用，如用户下一个地点预测。通常，用户下一个地点预测旨在通过挖掘用户历史移动信息预测未来移动模式，近年来，根据用户的历史签入数据预测用户下一个足迹可以运用于诸多应用领域，例如为出租车司机预测下一个可能出现潜在客户的地点，为私家车预测下一个可能发生交通拥堵的地点等。

目前已提出一些解决方案来预测用户下一个足迹(POI)，包括递归运动函数(RMF),矩阵分解(MF)，差分自回归移动平均模型(ARIMA),马尔可夫链(MC)，个性化马尔可夫链(FPMC),卡尔曼滤波器(KF),高斯混合模型和张量分解(TF)。除此之外，也可以使用诸如ST-RNN，POI2Vec，DeepMove,VANext等深度神经网络方法来预测用户的下一个足迹，这些方法中利用递归神经网络(RNN)捕获来自人类活动的顺序运动模式。利用深度学习技术特别是递归神经网络模型能够对时序信息进行良好的建模，因此广泛应用于预测用户的下一个POI。虽然上述提到的方法已经取得不错的结果，但是已有方法依然存在一些不可避免的挑战：

(1)手工轨迹分割，地点预测需要通过将用户历史长轨迹分割成若干子轨迹来进行模式学习，然而已有工作对于轨迹分割的时间戳定义通常采用人为预定义方式，人为因素的介入可能影响模型预测的准确度。

(2)无差别时间戳划分，传统方法通常对于不同用户的移动轨迹分割时间戳进行无差别定义，从而忽略了不同用户运动模式之间的差异性；

(3)特征单一性，传统方法通常使用用户轨迹数据中的地理位置作为当前轨迹的特征，单一性的特征提取忽略了很多轨迹潜在信息；

(4)特征无量纲化，当轨迹有多尺度特征时，无量纲化特征会忽略特征之间的优先级；

(5)轨迹签到稀疏性，用户签入行为与GPS采样频率相比有明显差别，个性化签入行为使得用户移动轨迹中可能只有少量的用户签入，因此存在影响预测准确率的可能。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于自适应时间戳与多尺度特征提取的轨迹预测方法。

本发明的目的是通过以下技术方案来实现的：

一种基于自适应时间戳与多尺度特征提取的轨迹预测方法，包括以下步骤：

S1：根据用户的签入点数据的特殊性，分析签入点时间特性，确定用户的自适应轨迹切割时间戳；

S2：根据用户的自适应时间戳，对用户轨迹进行切割，来拟合用户的运动模式；

S3：使用基于多方法集成的轨迹时间序列特征提取方法对用户历史轨迹进行特征提取；

S4：对特征向量进行归一化处理，统一多尺度特征量纲；