基于社交关系的用户出行预测研究

发布时间：2021-01-19 13:47

　　随着定位设备的普及,移动通信设备的广泛使用和基于位置的社交网站的兴起,越来越多的用户位置数据变得可用。研究用户出行的规律,对于交通控制,道路规划,资源调配等方面具有重大意义。用户出行一部分受到社交关系的影响,结合社交关系进行用户出行预测研究具有重要意义。现有神经网络出行预测模型的不足是只有隐藏记忆单元（模型参数）。它无法比对用户间轨迹数据,找出用户间轨迹的联系,也因此无法挖掘社交关系对出行的影响。为了解决现有模型的结构不足,挖掘社交关系对出行的影响,提出好友循环记忆模型,通过显式记忆结构记录下所有用户的轨迹信息;通过读写机制将用户轨迹信息有效写入;通过寻址机制将用户轨迹信息与其好友轨迹信息进行比对,提取出有效信息;通过好友影响因子计算突出有效好友的影响。随后实现了基于社交关系进行出行预测的方法,主要分为数据预处理,模型实现,模型训练与测试三个步骤。数据预处理将需要的特征值从原始数据集中提取出来,提取出隐藏社交关系,并划分轨迹。模型实现部分实现好友循环记忆模型,对各部分的细节进行描述。模型训练与测试模块将训练集输入模型,通过前向传播与反向更新使模型不断收敛,得到泛化能力较好的模型,并对模... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

好友循环记忆模型结构图

华 中 科 技 大 学 硕 士 学 位 论 文3 结合社交关系进行出行预测的实现在此部分，我们实现好友循环记忆模型，并给出整个数据处理流程和训练流程以及好友选择方案。3.1 总体结构结合社交关系进行出行预测的实现由三个部分组成，数据预处理，模型实现和模型训练与测试，如图 3.1 所示。

29图 3.2Austin 地区网格划分示意图对于时间的提取，需要考虑到用户出行周期性。用户出行具有高维周期性表现复杂。比如，用户的部分出行是以天为周期进行的，但是另一部分的以周，月甚至年作为周期来进行。而一些签到密集的用户，其周期性可能表围内。因此，时间的提取决定了周期性的选择。在本论文中，周期的选择是位的。即对一个绝对时间戳，我们提取其小时特征作为时间特征值。Time fature: ---- ￡ | ￠ ¨ § ￡￠ ￡ |在 3.1.2 节我们说到，对于区域进行划分，因此每一个经度维度都可以

【参考文献】：
期刊论文
[1]基于轨迹信息熵分布的异常轨迹检测方法[J]. 蒋华,郑依龙,王鑫.  计算机应用研究. 2018(06)
[2]基于时空模式的轨迹数据聚类算法[J]. 石陆魁,张延茹,张欣.  计算机应用. 2017(03)
[3]轨迹大数据:数据处理关键技术研究综述[J]. 高强,张凤荔,王瑞锦,周帆.  软件学报. 2017(04)
[4]轨迹大数据异常检测:研究进展及系统框架[J]. 毛嘉莉,金澈清,章志刚,周傲英.  软件学报. 2017(01)
[5]基于时间序列聚类方法分析北京出租车出行量的时空特征[J]. 程静,刘家骏,高勇.  地球信息科学学报. 2016(09)
[6]轨迹大数据:数据、应用与技术现状[J]. 许佳捷,郑凯,池明旻,朱扬勇,禹晓辉,周晓方.  通信学报. 2015(12)
[7]大数据技术研究综述[J]. 吴亚坤,郭海旭,王晓明.  辽宁大学学报(自然科学版). 2015(03)
[8]道路交通大数据及其关键技术研究[J]. 段宗涛,郑西彬,李莹,刘研,王向宇,康军,唐蕾.  微电子学与计算机. 2015(06)
[9]一种支持轨迹大数据潜在语义相关性挖掘的谱聚类方法[J]. 廖律超,蒋新华,邹复民,贺文武,邱淮.  电子学报. 2015(05)
[10]时空轨迹大数据模式挖掘研究进展[J]. 吉根林,赵斌.  数据采集与处理. 2015(01)



本文编号：2987106