[发明专利]基于因子图模型的移动用户位置预测方法

说明书

本发明公开了一种基于因子图模型的移动用户位置预测方法，步骤如下：对用户的移动轨迹数据进行聚类，并剔除一些少见的位置点，得到用户的候选位置集合；从用户的历史记录日志中提取用户的时间特征，位置特征，网络状态特征和社交特征；对用户不同类型特征之间的关联情况用因子进行定义和表示，并构建因子图模型；训练该模型，并对用户下一时刻的位置进行预测。该发明综合考虑用户相邻时刻位置之间的时空关联性，以及用户的网络状态、社交行为对位置的影响，并用不同类型的因子来刻画不同类型特征对位置的影响，利用因子图模型将不同类型特征之间的关联进行有效地融合，该方法能显著提高移动用户位置预测的准确率。

技术领域

本发明涉及移动行为预测技术领域，具体涉及一种基于因子图模型的移动用户位置预测方法。

背景技术

随着移动通讯设备的快速发展和广泛普及，各种基于位置的服务，如导航、移动广告、个性化推荐等不断涌现，并渗透到人们的日常生活当中。为了给用户提供更加精准的基于位置的服务，位置预测变得尤为重要。例如，提前预知用户的位置可以及时提醒用户前方道路是否拥塞，以及重新帮助用户规划路线以避免拥堵，也可以进行相应的推荐等。而大规模人类行为轨迹数据的产生和采集促使越来越多的研究者投入到位置预测当中。

现有的位置预测方法主要关注于如何利用用户移动的时间和空间上的关联性以及用户的朋友等社交关系的移动轨迹。然而有很多因素都能反映用户的位置状况，比如用户在不同位置的不同网络状态和上网频率，这些因素不会涉及他人(用户的朋友等)的隐私，非常适合运用到实际的位置预测当中。此外，大部分现有方法假设用户的移动性服从马尔科夫性质，而没有考虑马尔可夫链假设在具体实践当中是否有效。综合上述两点，现有的位置预测方法没有能够充分利用影响用户移动性的特征，同时也需要一个能够整合不同类型特征的一般性的模型。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于因子图模型的移动用户位置预测方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于因子图模型的移动用户位置预测方法，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。

进一步地，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。DBSCAN(Density-based spatialclustering of applications with noise)算法是由Martin Ester提出的基于密度的聚类算法。该算法不仅可以将具有足够高密度的区域划分为簇，还可以在噪声空间中发现任意形状的簇，被广泛用于用户移动位置聚类中。