[发明专利]一种基于车辆位置信息的车主出行位置预测方法

说明书

本发明属于智能车联网技术领域，公开一种基于车辆位置信息的车主出行位置预测方法，包括以下步骤，步骤一：对基于车辆位置数据的车辆轨迹数据进行整理；步骤二：识别基于车辆轨迹数据的用户重要兴趣点；步骤三：通过密度聚类法的兴趣点合并；步骤四：基于时空标签循环神经网络模型来预测用户下一个兴趣点。通过利用空间维度和语义维度的信息，提升了兴趣点预测的准确度。

技术领域

本发明属于智能车联网技术领域，具体涉及一种基于车辆位置信息的车主出行位置预测方法。

背景技术

随着基于位置的服务越来越流行，很多车载APP应用中生成了大量的位置数据。例如用户签到数据，用户轨迹数据等等。这些数据与时间、空间因素有很强的关联，描述了车主(用户)在给定时间访问过的位置。目前出现了用户兴趣点(POI)预测问题的研究成果。用户兴趣点推荐问题就是根据用户的历史访问过的位置序列，建立模型预测用户的即将访问的新位置。获得车辆用户的下一个意图地点(POI)，是给用户提供更加便捷、个性化的服务的基础之一。基于用户行为特征以及意图地点进行实时的需求感知，合理地进行服务推荐，将极大地便利和丰富用户的生活，帮助用户发现新的爱好，引导用户形成新的生活习惯。

现有方案是基于马尔可夫链的序列预测模型、基于高阶向量分解的POI预测方法和基于循环神经网络的方法。考虑到用户出行POI预测存在的数据序列化特性，基于马尔可夫链的模型是首选的解决方案。在马尔可夫模型中，一个概率转移矩阵用来表示用户某个行为的概率。FPMC(Factorizing Personalized Markov Chains)是一个经典的改进马尔可夫模型。该模型结合因子分解模型的理论，使用向量表示了转移到某状态和从某状态转移，用向量内积的形式生成转移矩阵，建模用户在不同位置之间的转移概率。然而FPMC只考虑了状态转移中的线性关系，并且假设了各因素之间是相互独立的，这样的处理限制了模型的能力。

基于高阶向量分解的PRME(Personalized Ranking Metric Embedding)模型将用户POI嵌入到一个低维的向量空间，通过欧几里得距离表征POI之间的联系。该模型定义了两个潜向量空间，一个表征序列转移，一个用来表征用户的偏好，对相同维度的两个向量空间加权求和，作为模型的优化目标。该模型很好的建立了用户在多个POI之间转移的模型，考虑了时间和空间因素。但是PEMR 模型依然存在线性空间表征参数的局限性。

基于RNN(循环神经网络)的模型能够高效地表征模型中的序列化特征，展现了较好的序列预测能力。STRNN(时空循环神经网络)是RNN的扩展。它将时间、空间因素作为隐藏层，在POI预测中取得了较好的效果，但是STRNN 不能建模用户的驻留时间和POI的标签信息，不适合用在智能车联网的预测场景中。具体表现在现有的问题空间在预测用户的兴趣点时，不考虑用户在历史兴趣点的驻留时间，也不考虑兴趣点本身的语义标签。这两种信息实际上对用户兴趣点(POI)的选择产生极大的影响。现有方法的问题空间，在预测用户兴趣点时，不考虑用户在历史兴趣点的驻留时间，也不考虑兴趣点本身的语义标签的不足。

发明内容

本发明旨在克服现有技术的缺陷，提供一种基于车辆位置信息的车主出行位置预测方法，目的分析车主的行车轨迹，提取其出行POI访问记录，结合用户在该位置的停留时间以及该位置的类别标签信息，建立人工智能模型，预测车主下一个即将访问的兴趣点(POI)，并推荐用户兴趣点。

为了解决上述技术问题，本发明提供以下技术方案：

一种基于车辆位置信息的车主出行位置预测方法，其特征在于，包括以下步骤，步骤一：对基于车辆位置数据的车辆轨迹数据进行整理；

步骤二：识别基于车辆轨迹数据的用户重要兴趣点；

步骤三：通过密度聚类法的用户重要兴趣点进行合并；

步骤四：基于时空标签循环神经网络模型来预测用户下一个兴趣点。

优选地，步骤一：车辆轨迹数据整理：