[发明专利]基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法

说明书

本发明公开了基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法，本发明首先通过循环轨迹编码器和变分轨迹编码器分别获取轨迹语义向量和变分隐变量，再基于变分注意力机制获取轨迹的注意力向量，并将其与变分隐变量进行级联，从而重建解码器的输入数据，最后依据解码器输出语义向量恢复先前轨迹和生成预测轨迹。本发明通过编码器‑解码器的框架解决了轨迹上下文学习的问题，并完成了人类移动模式推测的两个子任务——轨迹恢复和轨迹预测，不仅可以估计概率密度并优化数据可能性的下限，还能够捕获人类移动性的顺序和时间特征，有效地解决了根据轨迹上下文感知进行轨迹推测的问题，为人类移动模式的推测带来效果上的提高。

技术领域

本发明属于机器学习中的深度学习领域，涉及一种基于变分轨迹上下文感知的人类移动模式推测技术，主要利用深度学习对基于地理位置信息的社交网络(Location-Based Social Networks，LBSN)进行大规模轨迹数据的深度挖掘，在轨迹级别进行移动性语义学习来实现端到端的预测，从而提升人类移动模式预测效果。

背景技术

在过去的十年中，人们对基于位置服务的社交网络挖掘人类移动模式的兴趣迅速增长。大量LBSN数据的可用性促进了用户行为和移动模式的研究，例如兴趣点(Point ofInterest，POI)推荐，旅行计划，以及各种隐私保护问题等。

现有的研究大多侧重于在位置或POI级别的序列进行建模，使用较为传统的马尔可夫链，矩阵分解(MF)等方法。以POI推荐为例，使用的方法包括RankGeoFM、DeepMove等。RankGeoFM方法是一种基于排名的MF模型，结合邻近POI的地理影响生成隐式用户位置反馈矩阵，用于解决用户对POI的偏好排名。DeepMove方法是近来提出的一种通过注意力机制学习用户周期模式以预测下一个位置的方法。这些方法均在细粒度的POI级别上运行，并且只是对轨迹数据不同的特征进行组合，例如周期性、各种时间序列度量的相似性等，而并没有着眼于轨迹上下文语义的学习，也没有在轨迹级别获得更佳的推测效果。另外，传统的机器学习方法不适用于较大的数据集，例如Geolife，因此传统的方法无法对这类数据集进行研究，这无疑大大削减了模型的泛化性。

发明内容

本发明的目的旨在解决在现有的语义轨迹挖掘中尚未正式定义的轨迹上下文学习(Trajectory Context Learning,TCL)问题，从而提出了一种根据轨迹的语义维度进行轨迹上下文推测的方法，并使用提出的方法解决人类移动模式预测的问题。由于该方法捕获了更高水平的语义信息，并通过学习轨迹级别的长期短期依赖性，提供了对人类移动模式更全面的解读，从而更加适用于实际应用。

经研究发现，探索和利用与移动相关的抽象主题的轨迹上下文，可以更全面地理解模式的动态。由于轨迹上下文感知学习侧重于在轨迹水平上理解和编码轨迹的语义信息，因此轨迹上下文语义的学习能够更加有效地实现轨迹预测。作为更高水平的移动性语义学习，基于变分轨迹上下文感知进行的编码可以更全面地理解人类移动模式，并且为诸如POI或旅行推荐的下游应用提供额外的益处。

基于上述发明思路，本发明将轨迹推荐当作序列到序列(Seq2Seq)的问题进行处理。对此，本发明采用编码器-解码器(Encoder-Decoder)框架来学习轨迹上下文并进行轨迹推荐，其达到的预测效果要优于传统的机器学习算法。

本发明提供的基于变分轨迹上下文感知的人类移动模式推测模型，其包括：

数据预处理模块，用于获得当前轨迹各轨迹点的嵌入向量；

循环轨迹编码器，用于对输入的当前轨迹嵌入向量进行编码，得到当前轨迹语义向量；

变分轨迹编码器，用于对输入的当前轨迹嵌入向量进行学习，得到变分隐变量；

变分注意力层，用于基于变分注意力机制，依据当前轨迹语义向量获取当前轨的注意力向量，并将注意力向量和变分隐变量进行级联，以此最大化变分下限，从而重建输入数据；