[发明专利]一种基于用户历史GPS轨迹的协同旅行路线推荐方法

权利要求书

1.一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，包括以下步骤：

S1，数据准备

将用户的历史GPS轨迹与道路网络进行匹配，提取用户的旅行行为；

S2，估计旅行行为频率

计算用户在时间间隔内各个旅行行为之间的相关性，并平滑用户旅行行为之间的频率，再采用矩阵分解方法处理用户的旅行行为以获得估计的旅行行为频率；

S3，路线计算

根据估计的旅行行为频率计算旅行行为概率，并根据旅行行为概率来加权道路网络图，得到推荐的旅行路线。

2.如权利要求1所述的一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，步骤S1中，在进行历史GPS轨迹与道路网络匹配之前，采用基于熵的KSW阈值法将GPS轨迹划分为多个片段轨迹。

3.如权利要求2所述的一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，采用基于熵的KSW阈值法将GPS轨迹划分为多个片段轨迹的具体步骤为：

S1.1，找到导致正常采样率和异常采样率的最大求和熵的阈值θ；

S1.2，跟踪历史GPS轨迹，当两个连续的历史GPS轨迹读数之间的时间间隔超过阈值θ时，GPS跟踪结束，产生新的GPS轨迹。

4.如权利要求3所述的一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，步骤S1.1中，找到导致正常采样率和异常采样率的熵的KSW阈值法方法为：

有不同的采样率分别为s1，s2，s3，....，sn，f1、f2、f3、...、fn为s1，s2，s3，....，s的观测的数量，为不同采样率的总数，即公式：分割阈值为t，A为i∈{0，1，...，t}的灰度分布，B为i∈{t+1，...，N}的灰度分布，概率分布为：

A：

B：

其中

选择阈值t区分两种采样率，则与正常采样率的分布相关的熵为：

与异常采样率分布相关的熵为：

正常采样率与异常采样率之间的阈值区别在1到n之间，找到导致正常采样率分布和异常采样率的熵的阈值：

θ＝E₁+E₂ (3)。

5.如权利要求1所述的一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，步骤S1中，采用地图匹配方法将用户的历史GPS轨迹与道路网络进行匹配，该地图匹配方法采用ST-Matching算法。

6.如权利要求1所述的一种基于用户历史GPS轨迹的协同旅行路线推荐方法，其特征在于，步骤S2中，估计旅行行为频率的具体步骤为：

S2.1，生成用户行为矩阵

找到n个旅行片段轨迹B＝{b1，b2，...，bn}，其中B包含所有可能的旅行行为；给定一组m个用户U＝{u1，u2，...，um}和一组旅行行为B＝{b1，b2，...，bn}，使用成对的(u，b)进行用户行为矩阵，矩阵中的元素是成对的频率pl(ui，bj)，Bi，j＝pl(ui，bj)；

S2.2，计算用户在时间间隔内各个旅行行为之间的相关性

相关性的计算公式为：

其中，n表示一天中总时间间隔的总数，b表示在路段e上的旅行行为，ti与tj相隔的时间越长上式的值就越小，ti与tj为轨迹上的两个时间点；

S2.3，获得估计的旅行行为频率

每个用户ui与潜在因素向量相关联，每个旅行行为bj与潜在因素向量相关联，用户ui展示旅行行为bj的预测频率UB_i，j为：

其中，T为转置符号，k是向量的长度，潜在因素是用户和旅行行为之间的相互作用的基础，向量O_ui和m_bj的乘积越大意味着用户ui发生旅行行为bj的可能性越大。