[发明专利]一种基于超图卷积网络的时空行为预测方法及系统

说明书

本发明提供一种基于超图卷积网络的时空行为预测方法及系统，其中方法包括：确定待预测时空行为的用户ID及对应的时间和地点；将所述待预测时空行为的用户ID及对应的时间和地点输入至时空行为预测模型，得到所述时空行为预测模型输出的用户ID对应的行为结果；其中，所述时空行为预测模型是基于用户的历史时空行为数据构建的超图用图卷积神经网络训练得到。本发明解决了目前对于用户时空行为场景下用户、时间、地点和行为之间交互关系的建模不充分的问题，从而实现了对用户时空行为的准确预测。

技术领域

本发明涉及时空行为预测技术领域，尤其涉及一种基于超图卷积网络的时空行为预测方法及系统。

背景技术

时空行为预测(Spatiotemporal Activity Prediction)旨在对用户在给定的时空场景(时间、地点)下的行为进行预测。由于用户日常生活对于移动互联网依赖性增强，对用户的时空行为规律进行建模和预测有着十分重要的意义和价值。通过对用户时空行为的研究能够发现用户行为的规律，除了能针对观测到的用户个体在特定的时空场景下进行行为预测外，还能够在用户的时空行为规律中发现某些集体行为发生的可能性、规模和潜在的发展趋势，能够帮助决策者进行更加合理的决策和整体规划。总之，时空行为预测有着极高的研究价值，可广泛应用于疾病预防、智慧城市、网络优化和移动推荐等场景。

目前用户时空行为预测的研究主要分为两个方面：基于张量(tensor-based)的方法和基于图模型(graph-based)的方法。基于张量的方法用四元张量来分别建模用户、时间、地点和行为，然后用张量分解和协同过滤(CF)的思想，来获取特征向量，如SCP,UCLAF。基于图模型的方法，将用户、时间、地点、行为间的关系用图(graph)进行显式建模，而对于图(graph)中节点嵌入特征的学习算法分为两类：一类是基于传统图嵌入(graphembedding)的方法,如CrossMap,ACTOR；一类是基于卷积神经网络(GCN)的方法，如SA-GCN。

现有技术存在以下局限：(1)忽略了时空场景下的用户相似度刻画和用户关系的建模，显然这在复杂的用户时空行为场景下是十分重要的，能有效解决数据稀疏性问题；(2)对于用户时空行为场景下用户、时间、地点和行为之间交互关系的建模缺乏更深入的思考和探索，基于张量的方法并没有显示建模交互关系，而基于图模型的方法对上述关系的建模也不够充分，且大多局限于特定场景，缺乏泛用性。

发明内容

本发明实施例提供一种基于超图卷积网络的时空行为预测方法及系统，用以解决目前用户时空行为预测技术存在的以上部分或全部问题。

第一方面，本发明实施例提供一种基于超图卷积网络的时空行为预测方法，包括：

确定待预测时空行为的用户ID及对应的时间和地点；

将所述待预测时空行为的用户ID及对应的时间和地点输入至时空行为预测模型，得到所述时空行为预测模型输出的用户ID对应的行为结果；

其中，所述时空行为预测模型是基于用户的历史时空行为数据构建的超图用图卷积神经网络训练得到。

进一步地，所述时空行为预测模型是基于用户的历史时空行为数据构建的超图用图卷积神经网络训练得到，包括：

基于用户的历史时空行为数据构建多通道用户关系超图和异构交互超图；

将所述多通道用户关系超图和异构交互超图迭代进行L次超图卷积运算及传播，得到L组不同的用户、时间、地点和行为嵌入向量；

基于所述L组不同的用户、时间、地点和行为嵌入向量得到用于预测的嵌入向量，并基于所述用于预测的嵌入向量得到相应的预测分数；其中，L为超图卷积层数；

基于所述预测分数构建目标函数的监督学习法训练所述图卷积神经网络得到所述时空行为预测模型。