[发明专利]基于多源特征融合协同过滤的区域POI需求识别方法

说明书

本发明公开一种基于多源特征融合协同过滤的区域POI需求识别方法，包括：步骤1：获取区域相关数据和POI相关数据；步骤2：设计基于K近邻的MR访问推断算法，得到用户访问POI的区域轨迹数据；步骤3：分析处理区域相关数据和POI相关数据，以及用户访问POI的区域轨迹数据，变成神经网络可以输入的形式；步骤4：构建带有注意力机制的神经协同过滤模型；步骤5：优化带有注意力机制的神经协同过滤模型；步骤6：建模区域和POI之间的关系，得到每个区域的POI需求。本发明采用了多特征融合的协同过滤的手段，不仅考虑了人群轨迹，还结合了区域的地理特征以及POI的评价特征，通过神经协同过滤模型去建模区域和POI之间的关系，算法复杂度低，需求分析精度高。

技术领域

本发明涉及数据业务技术领域，尤其涉及一种基于多源特征融合协同过滤的区域POI需求识别方法。

背景技术

伴随着城市的发展，识别城市地区的兴趣点POI(Point-Of-Interest)的需求对建设智慧城市至关重要，比如城镇规划和商业位置的选择。关于这个问题，传统的基于用户的调查报告的需求识别算法，鲁棒性较差，而且滞后性强。目前主流的区域POI需求识别主要是针对某一类特征的POI去设计的，这种类型的预测虽然实用性比较强但是通用性很差，只能对某些特定的POI进行建模，模型不能拓展到其它领域。

发明内容

针对上述现有技术的不足，本发明提供一种基于多源特征融合协同过滤的区域POI需求识别方法(RPDRA,A Regional POI Demand Recognition Algorithm based onMulti-Source Feature Fusion andCollaborative Filtering)。

为解决上述技术问题，本发明所采取的技术方案是：基于多源特征融合协同过滤的区域POI需求识别方法，包括如下步骤：

步骤1：获取区域相关数据和POI相关数据；

所述区域相关数据包括移动基站数据和区域数据；

所述基站数据包括基站的MR数据、基站的信令数据、基站的APP上网日志和基站用户轨迹；所述区域数据从网站上爬取，收集的数据包括区域遥感图像这类图像特征，区域大小、平均年龄、居民收入、区域图像、人口密度、性别占比、住房占比这类数值型特征以及区域类型这种类别型特征；

所述POI相关数据包括POI评分数据、POI签到数据、商户评价信息、商户评分数据、POI位置信息、周围POI信息和POI类别。

步骤2：基于获取的区域相关数据和POI相关数据，设计基于K近邻的MR访问推断算法，得到用户访问POI的区域轨迹数据，过程如下：

步骤2.1：通过MR数据，信令数据，基站的APP上网日志构建位置指纹库；

所述构建位置指纹库采用了分布式的计算方式，通过Hadoop进行位置指纹库的构建，具体过程如下：

步骤2.1.1：将MR数据和基站APP上网日志以及信令数据存储到Hadoop的HDFS中；

步骤2.1.2：采用MapReduce的方式进行数据的运算，得到最终的位置指纹库。

步骤2.2：为指纹中的每个MR训练稀疏自动编码器以重构MR，实现对MR信号进行低维的向量表示，过程如下：

步骤2.2.1：提取MR信号的高阶特征：

给定了一个MR信号P＝{P₁，P₂，...，P_n}其中n为向量的维度大小，将其输入到单层的神经网络中得到：

Z＝f(W^TP+b) (1)