[发明专利]一种社交媒体数据与移动轨迹数据的融合方法

权利要求书

1.一种社交媒体数据与移动轨迹数据的融合方法，其特征在于，包括如下步骤：

移动轨迹数据处理步骤S110:

对群体每个人物行程轨迹点数据进行预处理，将预处理后的轨迹点匹配至路网中还原每个人物行程的移动轨迹，采用BiGRU模型计算移动轨迹特征向量，以表征移动轨迹数据；

社交媒体数据处理步骤S120：

对社交媒体数据预处理，然后对文本向量化以获得文本特征向量，并通过胶囊网络模型提取社交媒体信息的高级特征向量，以表征社交媒体数据；

计算数据距离并融合数据步骤S130：

通过马氏距离法计算在步骤S110中所获得的移动轨迹特征向量与在步骤S120中所提取的社交媒体的高级特征向量间的距离，对于每个移动轨迹特征向量，计算得到与其距离最小的社交媒体的高级特征向量，并采用基于参数矩阵融合的方法对距离最小的每对向量进行融合；

在步骤S110中，所述BiGRU模型为一种双向的改进的循环神经网络，

所述BiGRU模型包括正向GRU模型和反向GRU模型，其中正向GRU模型中对输入的移动轨迹采用正向输入即，反向GRU模型对输入的移动轨迹采用反向输入即，

每个GRU模型，由更新门和重置门构成，GRU模型内部的信息传播过程如下式：

其中，为移动轨迹输入，为重置门的权重矩阵，为更新门的权重矩阵，为现在信息的权重矩阵，为逐元素相乘，为sigmoid函数，为双曲正切函数，现在信息由过去信息与当前输入共同决定，为时刻的信息输出，包含过去信息和现在信息，更新门用来控制当前的状态需要遗忘多少历史信息和接受多少新信息，重置门用来控制候选状态中有多少信息是从历史信息中得到；

最终，所述BiGRU模型的输出由以下公式定义得出：

其中，为正向GRU模型输出，为反向GRU模型输出，表示时刻所对应的权重，表示所对应的权重，表示时刻所对应的偏置项；

在步骤S120中，通过胶囊网络模型提取社交媒体信息的高级特征向量具体为：

利用耦合系数对输入的文本特征向量进行加权求和，计算得预测向量：

其中：为输入的文本特征向量，为耦合系数，为相邻两层的权值转化矩阵，为预测向量；

社交媒体信息的高级特征向量表示为：

其中：为提取的社交媒体信息的高级特征向量，为预测向量，表示对预测向量求模运算；

在步骤S130中，对S110中每个提取的移动轨迹数据向量，通过马氏距离法计算与S120每个社交媒体数据向量间距离，首先计算与每个社交媒体数据向量间的距离，对计算的距离，…，，按从小到大排序，选择距离最小的一对向量进行融合， 然后计算并选择与距离最小的向量，循环至结束；

其中所述马氏距离法如下式：

其中：为向量间距离，为协方差矩阵；

在步骤S130中，所述参数矩阵融合如下式：

其中：为移动轨迹数据与社交媒体数据融合后的向量，为的权重矩阵，为的权重矩阵，为哈达玛乘积运算，，为所选取的距离最小的该对向量。

2.根据权利要求1所述的社交媒体数据与移动轨迹数据的融合方法，其特征在于，

在步骤S110中，所述对群体每个人物行程轨迹点数据进行预处理包括：删除无效、异常轨迹点。

3.根据权利要求1所述的社交媒体数据与移动轨迹数据的融合方法，其特征在于，

在步骤S120中，所述社交媒体数据预处理为：过滤掉无关信息，采用正则表达式删除标点符号和删除空格，在文本数据中引入领域词典，对数据作分词处理。

4.一种存储介质，用于存储计算机可执行指令，其特征在于：

所述计算机可执行指令在被处理器执行时执行权利要求1-3中任意一项所述的社交媒体数据与移动轨迹数据的融合方法。