[发明专利]一种基于卷积神经网络的轨迹属主预测方法

摘要

本发明公开了一种基于卷积神经网络的轨迹属主预测方法，根据所有用户的轨迹形成一个有向无权图G＝V,E，通过Node2Vec学习轨迹位置ID的低维实值向量；然后对用户轨迹进行切片处理，对切割后的不定长轨迹用位置ID对应的低维实值向量代替位置ID，并通过截取或填充形成轨迹的固定维度矩阵；接着，构建及训练一个四层卷积神经网络作为预测模型，然后将待检测的用户位置经纬度构建的轨迹矩阵输入到已经训练好的预测模型中，得到轨迹属主分类的概率分布，最后将概率分布中最大值的索引标记为该轨迹对应属主的编号。

主权项

1.一种基于卷积神经网络的轨迹属主预测方法，其特征在于，包括以下步骤：(1)、数据预处理(1.1)、将所有用户轨迹的历史位置经纬度按照时间顺序统计，形成经纬度集合，其中，若某一经纬度重复出现，则在经纬度集合中仅保留一次；对经纬度集合中的每一个经纬度从1开始编号，给定唯一一个位置ID标识；(1.2)、按时间顺序，用步骤(1.1)中给定的位置ID去替代用户轨迹历史位置经纬度，则每个用户轨迹用一串位置ID表示；同时，将每个用户用唯一的整数ID进行标识，从而用户及用户轨迹就可以形成形式为[用户ID，轨迹(位置ID，…，位置ID)]的属主轨迹；(1.3)、根据属主轨迹形成一个有向无权图G＝<V,E>，其中，V是所有位置ID的集合，如果出现某个用户从ID_i到ID_j，则<ID_i，ID_j>表示一条有向边，所有这样的边构成图G的边集E；(2)、轨迹表示(2.1)、以构建的有向无权图G作为输入，通过Node2Vec算法学习出G中每一个位置ID的低维实值向量；(2.2)、将步骤(1.2)中每个用户的轨迹按照固定时间间隔进行切片，从而将每一个用户轨迹分割成若干条位置ID序列，再用用户ID对切割后的位置ID序列进行属主标识；(2.3)、对切割后的不定长轨迹用位置ID对应的低维实值向量来代替该位置ID，从而生成每个用户的轨迹矩阵；然后通过截取或填充方式，构建每个用户固定维度的轨迹矩阵，从而形成数据集，其中，填充的向量为所有位置ID对应的低纬实值向量的平均值；(3)、构建预测模型构建一个四层卷积神经网络，其输入层为固定维度的轨迹矩阵；卷积层设置三个卷积核m*embedding_size，其中，m为常数，embedding size为Node2vec输出的低维实值向量的维度；池化层为k‑max pooling，k表示卷积之后的前k个最大值；全连接层的输出输入至softmax函数，得到轨迹属主的概率分布；(4)、训练预测模型(4.1)、构建训练集将数据集中部分用户固定维度的轨迹矩阵集X和与之对应的one‑hot类别向量集Y作为训练集，其中X＝[Vec_x₁,Vec_x₂,...,Vec_x_n]，Vec_x_n表示第n个用户固定维度的轨迹矩阵，Y＝[Vec_t₁,Vec_t₂,...,Vec_t_n]，Vec_t_n表示第n个属主对应的one‑hot类别向量，若第n个位置为1，则其余位置全为0；(4.2)、初始化预测模型初始化卷积层中每个卷积核的权重矩阵W_p的值为正态正态分布，其均值为0，方差为0.1；同时初始化卷积层中每个卷积核的偏置向量B_p为0.1，每个偏置向量的元素个数即为对应层神经元的个数；初始化全连接层的权重矩阵为W，其维度为[batch_size*k*卷积核个数，类别数]，同时初始化全连接层的偏置向量B值为0.1，元素个数为类别数；其中，batch_size为常数，p＝1,2,3，p表示卷积层中第几个卷积核；(4.3)将训练集输入至初始化后的预测模型中，采用Adam算法优化损失函数，然后利用误差反向传播BP算法将误差传向前一层，更新卷积层的权重矩阵W_p、偏置向量B_p以及全连接层权重矩阵W、偏置向量B，经过若干次迭代后，得到收敛的神经网络模型，从而得到训练完成的预测模型；(5)、轨迹属主预测将待检测的用户位置经纬度按照步骤(1)、(2)所述方法，构建出该用户固定维度的轨迹矩阵，再将构建的轨迹矩阵输入到已经训练好的预测模型中，得到该轨迹对应所有属主类别的概率分布，概率分布中最大值的索引则为该轨迹对应的属主编号。