[发明专利]基于GCN-LSTM的个体位置预测方法

说明书

本发明涉及一种基于GCN‑LSTM的个体位置预测方法，包括以下步骤：步骤S1：采集用户的轨迹数据；步骤S2:度量用户轨迹的相似性;步骤S3:根据得到的用户轨迹的相似性，利用图卷积网络提取用户的相似性特征；步骤S4:构建改进的GCN‑LSTM模型;步骤S5:基于相似性特征，采用改进的GCN‑LSTM模型提取用户轨迹的时间特征，得到预测结果。本发明顾及了用户轨迹相似度，利用图卷积模型对用户轨迹的相似性特征建模，有效地提取了用户间的相似性特征，更好地利用用户相似性提高个体位置预测的正确率。

技术领域

本发明属于空间信息技术领域，具体涉及一种基于GCN-LSTM的个体位置预测 方法。

背景技术

目前，我国正在经历快速城镇化过程，人口在城市中的大量聚集对城市资源 配置提出了更高的要求，而相对滞后的城市发展水平带来了一系列的城市问题(如 交通拥堵、人群踩踏等公共安全事件)。人的移动模式与城市资源分布息息相关， 理解人的移动规律，预测个体未来活动位置，能够支撑城市资源的合理配置，从 而更科学地应对有关城市问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于GCN-LSTM的个体位置预测方法， 能够有效地提高个体位置预测的正确率。

为实现上述目的，本发明采用如下技术方案：

一种基于GCN-LSTM的个体位置预测方法，包括以下步骤：

步骤S1：采集用户的轨迹数据；

步骤S2:度量用户轨迹的相似性；

步骤S3:根据得到的用户轨迹的相似性，利用图卷积网络提取用户的相似性特征；

步骤S4:构建改进的GCN-LSTM模型；

步骤S5:基于相似性特征，采用改进的GCN-LSTM模型提取用户轨迹的时间特征，得到预测结果。

进一步的，所述步骤S2具体为：

步骤S21:对用户的轨迹数据进行预处理，去除异常值和缺失值；

步骤S22:设定格网单元在垂直方向和水平方向的尺寸，分别以研究区域左侧边界和下侧边界为起始，向右和向上将研究区域进行网格划分，并对网格进行编码；

步骤S23:根据用户的位置信息，计算对应的格网单元，用网格编号替换位置坐 标序列，将原始的用户轨迹转化为格网轨迹；

步骤S24:计算两个用户在相同时刻位于相同格网的数量，然后计算该数量占总时刻数的比值作为两个用户间的相似性。

进一步的，所述步骤S24采用基于轨迹点相似性度量，计算方法如下：

其中，R，S分别表示两个用户的格网轨迹，r_t和s_t分别表示t时刻的格网位置编 码，记录点数均为n，dist(r_t,s_t)表示如果两个用户在t时刻在同一格网中记为1，否 则记为0；Eu(R,S)为两个用户在相同时刻位于相同格网的总个数，sim(R,S)表示两 者的相似性度量。

进一步的，所述步骤S3具体为：

步骤S31:利用用户间的相似性构建的相似性图矩阵；

步骤S32:根据得到的相似性图矩阵，采用图卷积网络对相似性特征建模来提取用户的相似性特征。

进一步的，所述步骤S31具体为：筛选出与要预测用户相似性超过设定阈值δ的 用户，然后计算这些用户之间的相似性，并进一步构建相似性图矩阵