基于時空上下文的移動對象位置預測與推薦方法研究

劉春陽

安徽理工大學空間信息與測繪工程學院,安徽 淮南 232001

在移動互聯網、定位技術、無線通信技術和智能移動設備高速發展的背景下,大量移動對象的位置可以被有效地定位和追蹤,由此產生了海量的移動對象時空軌跡數據,同時極大地推動了位置社交網絡的發展。利用這些時空軌跡數據對移動對象進行位置預測和位置推薦是大數據時代人類移動性研究的重要方向,也是地理信息科學、計算機科學、社會學以及復雜性科學等領域共同關注的重要研究議題,在位置社交網絡服務、智能交通管理、智能警務、移動計算、環境監測、災害管理、流行病傳播、智慧城市建設等方面有著重要的實際應用價值和學術價值。

大數據、人工智能、深度學習、高性能計算等技術的發展,為人類移動性建模和預測問題的研究帶來了新的機遇。然而,在大規模軌跡數據上挖掘移動對象的移動行為規律,需要應對諸多挑戰,包括數據稀疏性、偏好異質性、時空異質性、序列長期依賴性和模型的計算效率等。針對這些挑戰,論文從位置社交網絡中興趣點推薦和車輛移動位置預測兩類具體任務出發,以時空軌跡數據為研究對象,以移動對象未來的位置預測和服務推薦為主要研究目標,開展了若干研究工作。主要研究成果如下。

(1) 針對傳統基于矩陣分解的興趣點推薦方法在低維潛在空間中使用簡單/固定的內積估計復雜的用戶-興趣點交互帶來的限制,以及用戶-興趣點矩陣的數據稀疏性問題,論文綜合考慮興趣點推薦任務中用戶、興趣點、興趣轉移模式和空間上下文的聯合作用,提出了一種融合地理-序列偏好和距離度量分解的興趣點推薦方法。首先,對度量空間進行分解來學習用戶和興趣點在度量空間中的位置,利用歐氏距離代替矩陣分解方法的內積表示,通過用戶和興趣點的歐氏距離建模用戶的一般偏好。進一步,考慮用戶興趣的動態變化特征,利用連續簽到位置的歐氏距離建模用戶的興趣轉移模式。然后,線性融合兩種類型的距離,并將地理距離作為權重因子進行約束,構建融合用戶一般偏好、興趣轉移模式和地理影響的興趣點推薦統一框架。最后,在兩個真實數據集上進行了大量試驗,證明了該方法的有效性和優越性。

(2) 傳統淺層興趣點推薦模型難以有效融合時空上下文信息和建模用戶在空間和時間上的個性化差異,現有研究未能準確建模用戶簽到序列中存在的長期依賴關系和隱藏的主要行為意圖,因此,論文提出了一種基于時空門控循環單元和注意力機制的興趣點推薦方法。首先,構建了時空門控循環單元網絡,通過融合用戶移動的連續地理距離信息和時間間隔信息,同時建模用戶的序列偏好和個性化時空偏好。然后,通過引入注意力模型并集成到時空門控循環單元網絡中,學習用戶簽到序列中隱藏的主要行為意圖。試驗表明,該方法在精度上優于幾類典型的興趣點推薦方法。

(3) 循環神經網絡雖然在興趣點推薦中被成功應用,但循環結構的計算依賴于整個時間序列的隱藏狀態,難以有效提高模型的效率和充分學習空間維度的高階特征交互。因此,論文提出了一種基于時空擴展卷積生成網絡的興趣點推薦方法。首先,引入條件概率生成模型,通過使用一個可以并行化計算的堆疊式擴展因果卷積網絡和殘差結構建模用戶移動序列。然后,利用連續的地理距離信息建模用戶的個性化空間偏好,并融合兩種類型的時間周期性模式來建模用戶的個性化時間偏好。試驗表明,與幾類先進的興趣點推薦方法相比,該方法在精度和效率上均具有明顯的優勢。

(4) 為解決車輛移動位置預測任務中建模軌跡序列長期依賴的難題,以及現有基于循環神經網絡和卷積神經網絡模型計算效率較低的問題,論文提出一種基于分層注意力機制和擴展卷積生成網絡的車輛移動位置預測方法。首先,對大規模的車輛軌跡數據建立精細化的地理網格表示,獲取移動軌跡的網格編碼序列,并代替原始軌跡數據作為預測模型的輸入。然后,引入一個簡單高效的生成模型,通過融合分層注意力機制、擴展因果卷積網絡和殘差結構學習車輛移動軌跡的深層次重要特征和時空移動規律。試驗表明,該方法不僅能夠有效學習序列長期依賴關系,進而獲得更高的預測精度,而且模型的運行效率也有較大提升。

論文的研究成果不僅可以為移動對象位置預測與位置推薦問題提供思路和技術儲備,而且可以進一步豐富現有的時空數據挖掘和機器學習等基礎理論,具有重大理論意義和實用價值。