[发明专利]一种基于多源异构信息网络的目的地推荐方法及系统

说明书

本发明公开了一种基于多源异构信息网络的目的地推荐方法及系统，该系统包括数据预处理模块、多源信息融合模块、异构神经网络推荐模块。数据预处理模块包括数据采集和数据清洗模块，本发明采集来自私家车OBD接口的车辆驾驶状态和来自GPS接口的车辆轨迹信息的数据，并对异常进行排查和清洗。多源信息融合包括轨迹时空信息处理和基于元路径的异构图构建方案，将轨迹地理信息与语义信息结合，通过构建多重元路径来建模结构化的空间特征。异构神经网络推荐模块包括聚合模块和动态交互模块，挖掘潜在的用户交互，利用动态异构网络分析用户的目的地偏好。本发明通过分析用户的出行轨迹，能为用户进行相对精准的目的地推荐，将结果推送到用户终端。

技术领域

本发明主要涉及推荐系统领域，主要涉及一种基于多源异构信息网络的目的地推荐方法及系统。

背景技术

随着传感器种类的多样、移动互联部署范围的扩大、高性能计算和可靠性存储技术的快速发展，轨迹数据的提取变得快捷和智能。在当前的大数据背景下，学者们从群体、动态、时空的角度理解城市人群移动行为和空间结构的关系，从而解决各类城市应用的问题，如导航服务、广告推送、交通管理等。其中基于位置的推荐系统成为研究的热点，包括兴趣点(Point-of-interest, POI)推荐、下一POI推荐、目的地推荐等。现有的推荐方法主要侧重于利用关于用户偏好、社会影响和地理影响的信息来量化用户的访问偏好，比如将社会影响与基于用户的协同过滤模型相结合，或用贝叶斯模型对地理影响进行建模等。除此之外，潜在因子模型、马尔科夫链等方法也被广泛应用于序列数据分析和推荐。为了考虑相邻POI之间的时间间隔和地理距离，一些研究将扩展的循环神经网络(Recurrent NeuralNetwork, RNN)应用到下一POI的时间和空间建模中，如ST-RNN、HST-LSTM。但这些方法都存在着一些不足，首先因为用户的签到行为具有一定的随机性，因而导致了签到数据较为分散和稀疏；其次，用户的停留行为是挖掘用户潜在目的地的关键因素，但经常被忽视；因此目前的目的地推荐系统的准确性还存在很大的提升空间。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种基于多源异构信息网络的目的地推荐系统。

为实现上述目的，本发明的技术方案为：

本发明实施例的第一方面提出了一种基于多源异构信息网络的目的地推荐方法，包括以下步骤：

S1，采集轨迹时空信息，计算车辆停留的时空地理信息，据此进行数据清洗得到合理的轨迹时空信息；

S2，去除清洗后的冗余的轨迹时空信息，对去除冗余的轨迹时空信息所在位置区域的地图进行爬取，获得POI信息，并将POI信息与去冗余的轨迹时空信息进行匹配，使得所述POI信息与所述去除冗余的轨迹时空信息一一对应，根据POI信息包括的语义信息和位置信息以及所述去除冗余的轨迹时空信息构建多重元路径，基于元路径构建异构图；

S3，基于构建的异构图进行邻居信息聚合，得到节点表征信息，利用节点表征信息构建多头注意机制模型，训练该模型输出得到目的地推荐结果。

进一步地，所述采集轨迹时空信息具体为：采集来自于机动车OBD接口的车辆驾驶状态数据和来源于机动车GPS接口的车辆轨迹数据；所述车辆驾驶状态数据包括车辆点火指令、熄火指令、速度和方向；所述车辆轨迹数据包括车辆匿名化ID、车辆所在经纬度、当前时刻和位置语义信息。

进一步地，所述数据清洗的过程具体为：计算车辆停留的时空地理信息，利用原则判断，删除或基于改进的LSTM网络进行轨迹预测以修正不合理的轨迹时空信息；所述车辆停留的时空地理信息包括车辆的停留时间、停留经纬度、停留时长和停留时间编码。

进一步地，利用STKmeans聚类算法去除清洗后的冗余的轨迹时空信息；经STKmeans聚类算法后得到K个聚类中心，所述冗余的轨迹时空信息为K个聚类中心以外的所有点；去除冗余轨迹点即去除K个聚类中心以外的所有点，保留K个聚类中心。