[发明专利]基于GCN-LSTM的个体位置预测方法

权利要求书

1.一种基于GCN-LSTM的个体位置预测方法，其特征在于，包括以下步骤：

步骤S1：采集用户的轨迹数据；

步骤S2:度量用户轨迹的相似性；

步骤S3:根据得到的用户轨迹的相似性，利用图卷积网络提取用户的相似性特征；

步骤S4:构建改进的GCN-LSTM模型；

步骤S5:基于相似性特征，采用改进的GCN-LSTM模型提取用户轨迹的时间特征，得到预测结果；

所述步骤S2具体为：

步骤S21:对用户的轨迹数据进行预处理，去除异常值和缺失值；

步骤S22:设定网格单元在垂直方向和水平方向的尺寸，分别以研究区域左侧边界和下侧边界为起始，向右和向上将研究区域进行网格划分，并对网格进行编码；

步骤S23:根据用户的位置信息，计算对应的网格单元，用网格编号替换位置坐标序列，将原始的用户轨迹转化为网格轨迹；

步骤S24:计算两个用户在相同时刻位于相同网格的数量，然后计算该数量占总时刻数的比值作为两个用户间的相似性；

所述步骤S24采用基于轨迹点相似性度量，计算方法如下：

其中，R，S分别表示两个用户的网格轨迹，r_t和s_t分别表示t时刻的网格位置编码，两个用户的记录点数均为n，dist(r_t,s_t)表示如果两个用户在t时刻在同一网格中记为1，否则记为0；Eu(R,S)为两个用户在相同时刻位于相同网格的总个数，sim(R,S)表示两者的相似性度量；

所述步骤S3具体为：

步骤S31:利用用户间的相似性构建相似性图矩阵；

步骤S32:根据得到的相似性图矩阵，采用图卷积网络对相似性特征建模来提取用户的相似性特征；

所述步骤S31具体为：筛选出与要预测用户相似性超过设定阈值δ的用户，然后计算这些用户之间的相似性，并进一步构建相似性图矩阵

式中，sim_r,s表示用户r和用户s之间的相似性；

所述图卷积网络具体为：

Relu(x)＝max(0,x) (7)

式中，X表示当前时刻要预测用户和与其相似性超过阈值的用户的位置构成的矩阵，A为用户的相似性图矩阵，为度矩阵，Relu为激活函数，max为取最大值函数，W为权重矩阵；

改进的GCN-LSTM模型具体为：设置阈值δ，基于该阈值，对于待预测的用户，如果在数据集中能找到与之相似程度超过该阈值的用户时，采用GCN-LSTM进行提取轨迹的时间特征，否则采用LSTM提取轨迹的时间特征。