[发明专利]一种移动用户轨迹位置的预测方法及装置

说明书

本发明涉及一种移动用户轨迹位置的预测方法及装置，属于数据挖掘处理技术领域。本发明通过构造包括LSTM网络和MDN网络的循环混合密度网络作为预测模型，该预测模型能够自动提取深度特征，利用该预测模型可从移动用户的最近轨迹数据中学习用户的运动趋势、长时间历史信息和隐藏代表性特征，从而实现对未来一段时间内用户位置坐标的预测。且本发明解决了预测连续位置坐标值时将面临的稀疏性问题和维数灾难问题，并能够充分模拟运动行为的不确定性，能够提高预测的精确性。

技术领域

本发明涉及一种移动用户轨迹位置的预测方法及装置，属于数据挖掘处理技术领域。

背景技术

预测移动用户未来长期的位置坐标是许多新兴应用的基础。如交通预警，异常行为探测，位置服务推荐系统和智能交通系统等。但位置预测也是一个棘手的问题，移动用户的运动行为受自身内部驱动和环境因素的双重影响，具有复杂性和多样性，因此传统的依靠线性模型和动力学方程的位置预测方法不能取得理想的预测效果。随着导航定位技术的快速发展，移动用户的位置数据可以被实时地采集和存储，使得许多以数据驱动方式进行位置预测的方法出现。数据驱动方法通过挖掘用户的位置序列数据，即轨迹挖掘，理解用户的运动规律，从而实现预测。目前，通过轨迹挖掘进行预测的方法主要集中于马尔科夫模型和关联性分析。

例如申请公布号为CN107018493A的中国专利申请文件提出了一种基于连续时序马尔科夫模型的地理位置预测方法。该方法首先对原始的用户轨迹数据进行过滤和聚类，得到离散分布的候选位置，并将用户的轨迹数据转化为候选位置及相应时间的序列。其次，利用高斯混合模型对每个位置的序列进行建模。将位置的高斯混合模型与转移概率矩阵、序列点概率等信息结合，改进原始的马尔科夫模型，建立基于连续时序的马尔科夫模型。最后，利用基于连续时序的马尔科夫模型对目标时间点的地理位置预测。该方法将轨迹数据离散为候选位置的方式容易不适用于连续位置坐标的预测。且马尔科夫模型建立在未来位置仅与当前状态有关的假设上，因此无法利用位置序列中更多的历史信息，而这些历史信息对于预测十分重要。因此，基于马尔科夫模型的方法的预测性能受到很大的限制。

申请公布号为CN109034448A的中国专利申请文件提出了基于车辆轨迹语义分析和深度信念网络的轨迹预测方法。该方法在获取数据源的基础上进行交通卡口关联性分析。根据轨迹数据集中的交通卡口上下文关系，使用统计概率模型构建关联空间并计算交通卡口之间的关联性。基于轨迹时空关联向量集挖掘轨迹中的用户行车模式，利用深度信念网络提取特征。根据特征建立回归预测模型，利用处理后的交通轨迹特征集对未来轨迹进行回归预测，并采用权重聚类对结果进行优化。该方法在训练深度信念网络前需要构造关联空间以及计算关联性等繁琐的预处理操作。同时，基于关联性的特征提取也未充分利用轨迹数据中的历史信息，导致预测结果准确性低。

发明内容

本发明的目的是提供一种移动用户轨迹位置的预测方法及装置，以解决目前采用马尔克夫模型或关联性分析进行轨迹位置预测导致预测结果准确率低的问题。

本发明为解决上述技术问题提供了一种移动用户轨迹位置的预测方法，该预测方法包括以下步骤：

1)获取移动用户最近的轨迹数据，并对获取的轨迹数据进行预处理，得到轨迹中各定位点相对于前一点的位移量序列；

2)构造包含有LSTM网络和MDN网络的RMDN模型，所述RMDN模型包括输入层、隐藏LSTM层和MDN层，其中输入层用于接收预处理后的轨迹数据；隐藏LSTM层包括至少两个LSTM层，每个LSTM层的输入由上一层LSTM层和输入层的输出共同构成，各LSTM层的输出均连接至MDN层的输入；MDN层用于根据各LSTM层的输出生成待预测位移的混合概率密度分布；

3)将步骤1)中预处理后的移动用户轨迹数据输入到已训练的RMDN模型中进行预测，得到关于用户将来位移的混合概率密度分布，并基于权重参数选择相应的高斯分量，得到位移预测值，根据位移预测值确定用户将来位置。