[发明专利]基于因子图模型的移动用户位置预测方法

权利要求书

1.一种基于因子图模型的移动用户位置预测方法，其特征在于，所述的移动用户位置预测方法包括下列步骤：

S1、提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，从而产生该用户的候选位置点，组成候选位置集合；

S2、提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，得到用户的时间特征、网络状态特征、社交特征以及位置特征；

S3、建立移动用户行为序列，即将提取到的用户特征按照时间顺序转化为序列，序列中每个元组的格式为[时间特征，位置特征，网络状态特征，社交特征]；

S4、对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中；

S5、对构建的因子图模型进行训练，并预测用户下一时刻的位置点。

2.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S1中提取用户候选位置集合，即对用户的移动轨迹数据进行聚类，剔除用户不常去的位置点，组成候选位置集合，具体实现步骤如下：

S11、分析用户历史轨迹中位置点的经纬度信息，设定聚类区域之间的邻域半径和区域内最小样本个数；

S12、使用DBSCAN聚类算法将具有相似经纬度信息的位置点聚为一类，得到移动用户候选位置集合L，同时排除用户不常去位置点的干扰。

3.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S2中提取用户在不同时刻下的网络状态，不同社交行为类型的频率以及位置点，得到用户的时间特征，网络状态特征，社交特征以及位置特征，具体实现步骤如下：

S21、定义用户当前时刻t为其时间特征；

S22、对于时刻t，提取用户当前的网络状态，用0，1，2分别表示Wi-Fi、蜂窝流量和无网络三种网络状态特征；

S23、对于时刻t，统计用户在t时刻内不同社交行为类型的次数，并分别将其划分到高、中、低三个频率中，并用0，1，2进行表示，得到用户在时刻t下的社交特征；

S24、对于时刻t，将用户轨迹数据中的位置信息用候选位置集合中相应的位置点进行替代，得到用户在时刻t的位置特征。

4.根据权利要求1所述的基于因子图模型的移动用户位置预测方法，其特征在于，所述的步骤S4中对不同类型特征之间的关联情况进行定义，并利用因子图模型将所有特征有效地融合到一个统一的框架中，具体实现步骤如下：

S41、对于相邻两个时刻的位置y^t和y^t+1，使用指数线性函数来表达两个位置之间的关联因子，表述式如下：该式也称为势函数，其中Φ是一个二值的指示函数向量，即当t时刻用户位置为a，t+1时刻用户位置为b时，Φ(yt＝a，y^t+1＝b)＝1，其他情况下为0；β为权重向量，为所有情况下的(y^t，y^t+1)组合分配一个权重，Z^β是归一化项，保证所有可能出现情况的概率之和为1；

S42、对于在同一时刻t内，时间、网络状态和社交行为的频率对位置的影响因子表述式如下：该式也称为势函数，其中i∈{h，s，n}，分别代表时间、网络状态和社交行为，代表对应的特征，Φ是一个二值的指示函数向量，α_i为权重向量，是归一化项；

S43、给定前T时刻的所有特征，将不同类型的特征信息根据关联情况联系起来，构建因子图模型，用户下一时刻出现在位置y^T+1的概率即为：

其中，Z_θ为归一化系数，其中θ∈{α，β}。