论文部分内容阅读
基于位置的服务(LBS)产生了海量轨迹数据,这些轨迹数据为理解用户移动行为提供了宝贵的数据支持。基于这些数据,本文研究在给定当前轨迹片段和其相关信息的条件下,预测用户下一位置的高效算法。虽然学术界已经提出多种解决方案,但仍有几个关键挑战需要解决,以更好地预测人类移动行为:(1)社交性:如何在轨迹预测算法中融入用户之间复杂的社会关系;(2)周期性:如何有效利用存在的多层次周期性来提高预测算法的性能。本文主要针对上述问题来研究面向LBS的用户移动行为预测算法,一方面对社交网络和移动轨迹数据信息进行分析挖掘以训练合适的预测模型来实现下一位置预测;另一方面考虑到社交关系的局限性并使用周期性作为补充,通过引入注意力机制来捕捉移动轨迹的周期性信息以提高对下一位置预测的性能。完成的主要工作和研究内容如下:(1)提出了融合社交网络的下一位置预测算法。首先通过在真实数据集上的数据分析验证社交关系和用户移动行为的关系。以此为基础利用Word2vec对社交网络进行建模得到用户向量,再利用LSTM对轨迹进行建模得到轨迹向量,最后将社交网络和轨迹联合成本章最终的模型,从而提升模型的准确性和运行效率根据实验结果显示本章模型的效果优于其他方法,社交关系的加入可以提高预测的精准度。(2)提出了基于Attention的下一位置预测算法。首先通过在真实的数据集上进行数据分析,一方面发现了社交关系对移动行为的局限性和周期性作为补充的必要性,另一方面验证了周期性和用户移动行为的关系。本章利用LSTM和Attention模块捕捉用户当前轨迹和历史轨迹中的顺序信息和周期性信息。再结合社交网络联合成本文的最终模型,实验结果显示基于Attention的预测算法能够进一步提升预测的性能,表明Attention机制的引入可以提高预测的准确度。总体来说,本文所设计的模型能够充分利用用户移动行为的社交性和周期性,从而提升预测的性能。大量在真实数据集上的实验表明,本文所提出的算法具有较好的性能。