[发明专利]一种基于选择记忆的马尔可夫模型的用户位置预测方法

说明书

本发明提供一种基于选择记忆的马尔可夫模型的用户位置预测方法。本发明基于传统马尔可夫模型，汲取循环神经网络模型的思想，在保留马尔可夫模型优点的前提下，增加选择记忆单元，解决马尔可夫模型本身的缺陷，即假设未来状态只与当前状态相关，与其他历史状态相互独立。本发明方法保留了传统马尔可夫模型运算简单，速度快的优势的基础上，通过选择记忆单元大幅度提升了预测的精度，在速度远快于RNN预测模型的前提下，可以取的与一般RNN预测模型近似的预测精度。

技术领域

本发明针对位置预测方法，具体涉及一种基于选择记忆的马尔可夫模型的用户位置预测方法。

背景技术

近年来随着移动终端的普及，基于位置的社交网络(如四方、新浪、微信、脸谱、推特等)得到了空前的发展，用户的打卡行为逐渐成为一种潮流，甚至是一种习惯。用户位置预测算法在基于位置的各类应用中蕴藏了巨大的可供挖掘的价值。比如，对于当下城市中流行的商业综合体，其运维管体系统可以根据用户当前的位置信息以及其历史打卡的位置信息推测其心怡的下一位置，基于该推测结果做出更精准的娱乐消费场所的推荐，从而可以大大提升成功推荐的概率。这不仅提高了当下的商业收益，而且提升了用户对该商业体的满意度，为商业体的长期繁荣发展奠定了基础。对于政府而言，交通管理部门可以根据用户位置流动状况，推测交通分布变化状况，提前做好干预引导工作，从而可以减轻交通阻塞问题，确保交通体系安全流畅的运行。

现有的用户位置预测算法既有基于传统马尔可夫模型的预测方法也有基于当前被广泛关注的循环神经网络(RNN)模型的方法。以上两类方法均有较为明显的优点与缺点，前者运算速度快，运算成本低，但是其精度相对较低，后者的预测精度更高，但是其算力消耗大，对于训练数据的需求量大。

发明内容

针对现有技术中存在的问题，本发明提供一种基于选择记忆的马尔可夫模型的用户位置预测方法。

本发明基于传统马尔可夫模型，汲取循环神经网络模型的思想，在保留马尔可夫模型优点的前提下，增加选择记忆单元，解决马尔可夫模型本身的缺陷，即假设未来状态只与当前状态相关，与其他历史状态相互独立。

一种基于选择记忆的马尔可夫模型的用户位置预测方法，步骤如下：

步骤(1)、确定用户位置预测的基本数学模型：

社交媒体中的用户信息基本包含了用户身份信息U，用户位置信息L，打卡的时间信息T，社交关系信息E。用户身份信息U＝(u₁,u₂,u₃,…,u_n),由社交媒体平台的用户ID信息组成，用户位置信息其中l＝(lon,lat)，lon表示用户位置的经度坐标信息，lat表示用户位置的纬度坐标信息。打卡时间信息其中t_i表示打卡的时间戳。

用户位置预测即通过用户的当前位置信息及历史位置信息预测用户下一步的位置，计算公式如下式所示：

上式中i＝1,2,3…n，M为需要求解的预测模型。

设置固定的时间变化，仅考虑位置的变迁，则用户位置预测方法的公式可简化为：

步骤(2)、确定基本的马尔可夫预测模型的数学模型

有限状态空间上的马尔可夫链是指在可数状态集S上的离散随机过程，且满足马尔可夫特性(无记忆特性)；

式中，i_n,i_n-1,…,i₀∈s，n∈N。

引入转移概率p_ij(n)，公式如下；