陸家雙 王斌 翟希

摘 ?要： 對(duì)于行人的再識(shí)別研究大多采用圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的相關(guān)方法，在社會(huì)治安領(lǐng)域和商業(yè)領(lǐng)域內(nèi)受到了越來(lái)越多的關(guān)注. 從信息檢索的角度出發(fā)，提出了一種端到端的深度學(xué)習(xí)框架，對(duì)匿名化的基于位置的服務(wù)（LBS）數(shù)據(jù)進(jìn)行用戶(hù)再識(shí)別. 首先，該框架采用嵌入網(wǎng)絡(luò)對(duì)輸入的位置序列及其對(duì)應(yīng)的時(shí)間序列進(jìn)行編碼;然后采用遞歸循環(huán)網(wǎng)絡(luò)對(duì)用戶(hù)每天的歷史軌跡進(jìn)行編碼;隨后連接注意力機(jī)制網(wǎng)絡(luò)，對(duì)需要比較的兩條軌跡進(jìn)行重要權(quán)重計(jì)算;最后得出其相似度. 實(shí)驗(yàn)結(jié)果表明：相較于計(jì)算軌跡之間向量距離的傳統(tǒng)方法，此模型考慮了用戶(hù)的時(shí)空位置信息，可以更加準(zhǔn)確地計(jì)算軌跡序列之間的相似度，在某城市匿名化的LBS數(shù)據(jù)集上，對(duì)不同數(shù)量的用戶(hù)重識(shí)別準(zhǔn)確率較高.

關(guān)鍵詞： 軌跡重識(shí)別; 注意力機(jī)制網(wǎng)絡(luò); 深度學(xué)習(xí)

中圖分類(lèi)號(hào)： TP 399 ?????文獻(xiàn)標(biāo)志碼： A ?????文章編號(hào)： 1000-5137（2021）01-0115-07

Abstract： A large number of researches on pedestrian re-identification based on the methods of image processing and computer vision were getting more and more attention in the field of social security and business. From the perspective of information retrieval，an end-to-end deep learning framework was proposed for user re-identification of anonymous location based services （LBS） data in this paper. Firstly，the embedded network was used to encode the input spatial sequence and the corresponding temporal sequence. Secondly，the recurrent network was adopted to encode the users daily history trajectory. Thirdly，the attention mechanism network was connected to calculate the importance weight of the two trajectories to be compared，and finally the similarity of the two trajectories was obtained. The experimental results showed that this model was able to take the users spatial-temporal position information into account，and achieve more accurate similarity between trajectory sequences compared with the traditional method of calculating the vector distance between trajectories. The re-identification accuracy of different number of users on the anonymous LBS dataset of a city was significantly improved.

Key words： trajectory re-identification; attention-based network; deep learning

0 ?引言

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，便攜式移動(dòng)通信設(shè)備在人們?nèi)粘Ｉ詈凸ぷ髦械氖褂妙l率越來(lái)越高.同時(shí)，服務(wù)提供商為了實(shí)現(xiàn)更高的商業(yè)價(jià)值和更優(yōu)的用戶(hù)體驗(yàn)，都會(huì)要求用戶(hù)在使用手機(jī)的應(yīng)用軟件時(shí)，開(kāi)啟定位權(quán)限，借此采集用戶(hù)實(shí)際的地理位置進(jìn)行數(shù)據(jù)挖掘工作，從而理解用戶(hù)的行為模式，這些數(shù)據(jù)已被成功應(yīng)用于商業(yè)、城市及交通規(guī)劃等.而移動(dòng)軌跡數(shù)據(jù)的大量應(yīng)用，也帶來(lái)了人們對(duì)數(shù)據(jù)隱私泄露的擔(dān)憂(yōu)，特別是使用個(gè)體軌跡數(shù)據(jù)可對(duì)用戶(hù)進(jìn)行再識(shí)別.

早期的研究證實(shí)4個(gè)時(shí)空點(diǎn)或者3個(gè)被用戶(hù)經(jīng)常訪(fǎng)問(wèn)的位置就可以再識(shí)別出城市中80%～95%的用戶(hù)[1-2].WANG等[3]收集了多個(gè)服務(wù)性平臺(tái)匿名化后的軌跡數(shù)據(jù)，研究了不同平臺(tái)的用戶(hù)再識(shí)別問(wèn)題，提出了一種高斯混合模型逼近用戶(hù)軌跡數(shù)據(jù)的概率密度函數(shù)，缺點(diǎn)在于不同的數(shù)據(jù)要確定不同的高斯函數(shù)階數(shù)，而且沒(méi)有考慮個(gè)體的出行方式和位置信息，導(dǎo)致其對(duì)個(gè)體隱私的保護(hù)不夠充分.用戶(hù)再識(shí)別可被定義為軌跡二分類(lèi)的檢索問(wèn)題，傳統(tǒng)的軌跡分類(lèi)方法主要關(guān)注用戶(hù)的行為模式和出行方式，并利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）、隱馬爾可夫模型（HMM）和條件隨機(jī)場(chǎng)（CRF）等技術(shù)，結(jié)合歷史訪(fǎng)問(wèn)位置和序列模式解決類(lèi)似問(wèn)題.然而，這些方法只適用于特定的場(chǎng)景，在用戶(hù)位置服務(wù)（LBS）數(shù)據(jù)集上表現(xiàn)效果相對(duì)較差.還有一些方法考慮了數(shù)據(jù)存在時(shí)間或者空間上的噪聲問(wèn)題，例如：NARAYANAN等[4]提出一種在時(shí)間不匹配的情況下匹配用戶(hù)的方法;MA等[5]收集了基于位置的時(shí)空數(shù)據(jù)用于研究用戶(hù)隱私保護(hù)，但僅考慮數(shù)據(jù)的空間不匹配問(wèn)題，沒(méi)有考慮時(shí)間不匹配問(wèn)題;ROSSI等[6]使用基于位置的社交網(wǎng)絡(luò)（LBSNs）數(shù)據(jù)，提出一種基于時(shí)空軌跡點(diǎn)的方法，只需考慮用戶(hù)簽入活動(dòng)的空間坐標(biāo)點(diǎn)軌跡，但該方法沒(méi)有考慮時(shí)間信息，僅把用戶(hù)在每個(gè)位置的簽入頻率作為特征，導(dǎo)致識(shí)別率較低.近年來(lái)，研究人員開(kāi)始利用深度神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)空數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和軌跡匹配，如FENG等[7]采用注意力機(jī)制循環(huán)網(wǎng)絡(luò)預(yù)測(cè)行人的移動(dòng)軌跡.

針對(duì)上述相關(guān)方法的不足，本文作者提出一種同時(shí)考慮時(shí)間和空間序列的深度學(xué)習(xí)框架.將城市劃分成相同大小的網(wǎng)格，把采集的LBS數(shù)據(jù)空間坐標(biāo)映射到對(duì)應(yīng)的網(wǎng)格，同時(shí)把時(shí)刻映射到對(duì)應(yīng)的時(shí)間間隔，通過(guò)數(shù)據(jù)預(yù)處理，獲取匿名用戶(hù)的網(wǎng)格ID序列（空間序列）和時(shí)間序列，把時(shí)間和空間序列的one-hot稀疏編碼以嵌入的方式映射成密集編碼，拼接傳入遞歸循環(huán)網(wǎng)絡(luò)，訓(xùn)練得到原始軌跡的特征向量，利用相互注意力機(jī)制對(duì)兩條軌跡的特征向量進(jìn)行相似度計(jì)算.該注意力機(jī)制網(wǎng)絡(luò)可以加大不同軌跡之間的重要權(quán)重，找到隱藏于軌跡數(shù)據(jù)中的重要信息.在采集到的LBS數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明，本算法對(duì)比其他算法表現(xiàn)最好.

1 ?模型和方法

1.1 LBS數(shù)據(jù)集

采用某城市的匿名化LBS數(shù)據(jù)，數(shù)據(jù)采集的時(shí)間段為2014年1月6—17日.由于周末交通狀況與工作日之間存在較大差異且規(guī)律性較差，剔除周末數(shù)據(jù)，采樣數(shù)據(jù)為10 d.每條記錄包括匿名化后的用戶(hù)編號(hào)和，其中，t表示時(shí)間lo表示經(jīng)度;la表示緯度.圖1為500個(gè)樣本數(shù)據(jù)經(jīng)歸一化處理后在10 d內(nèi)的移動(dòng)軌跡.

1.2 問(wèn)題描述

由于人們使用手機(jī)的頻率不同，所采集到的位置序列數(shù)據(jù)中每個(gè)用戶(hù)的記錄點(diǎn)長(zhǎng)短也不同.根據(jù)對(duì)原始數(shù)據(jù)的統(tǒng)計(jì)分析，平均每個(gè)人有365個(gè)記錄點(diǎn).由于處于工作地點(diǎn)或居住地，并且手機(jī)一直處于通信狀態(tài)，部分用戶(hù)在連續(xù)時(shí)間內(nèi)采集到的多個(gè)記錄點(diǎn)屬于同一個(gè)網(wǎng)格.在匹配任務(wù)上，若記錄點(diǎn)較為稀疏，則能夠被參考的記錄點(diǎn)較少，尤其是軌跡編碼，會(huì)造成編碼后的向量稀疏且混入較多噪聲，使匹配工作變得較為困難.設(shè)為第用戶(hù)，，表示待匹配的500個(gè)樣本用戶(hù).表示采集到的記錄點(diǎn)，其中，為網(wǎng)格編號(hào)，共39 050個(gè);為采集的時(shí)間間隔點(diǎn)，將原始數(shù)據(jù)采集的時(shí)刻映射到間隔為1 h的時(shí)間軸上，所以=0，1，…，240，且;表示第個(gè)用戶(hù)有個(gè)記錄點(diǎn)的軌跡序列，表示第個(gè)記錄點(diǎn)，.用變量表示2個(gè)軌跡是否屬于同一個(gè)用戶(hù)，定義如下：

（1）

解決類(lèi)似問(wèn)題的傳統(tǒng)方法是計(jì)算兩條軌跡的距離函數(shù)或者軌跡分布相似度[6，8-10].本研究不直接處理軌跡，首先利用深度學(xué)習(xí)模型，獲取移動(dòng)軌跡潛在的兩個(gè)特征向量，然后計(jì)算它們之間的相似度.

1.3 網(wǎng)絡(luò)模型

1.3.1 模型總覽

目前，深度學(xué)習(xí)方法已經(jīng)成功應(yīng)用于不同的研究領(lǐng)域，而且這種端到端深度學(xué)習(xí)方法可以彌補(bǔ)傳統(tǒng)算法無(wú)法捕捉時(shí)空軌跡點(diǎn)內(nèi)部重要特征的不足，可用于處理用戶(hù)重識(shí)別問(wèn)題.深度學(xué)習(xí)模型的架構(gòu)主要由嵌入網(wǎng)絡(luò)、遞歸循環(huán)網(wǎng)絡(luò)和注意力機(jī)制網(wǎng)絡(luò)3個(gè)部分組成，下文將詳細(xì)介紹每個(gè)網(wǎng)絡(luò)的架構(gòu)和功能.

1.3.2 嵌入網(wǎng)絡(luò)

嵌入網(wǎng)絡(luò)是對(duì)經(jīng)過(guò)數(shù)據(jù)預(yù)處理得到的進(jìn)行編碼的網(wǎng)絡(luò)，如圖2所示.其中，代表訓(xùn)練樣本數(shù)表示每條序列的個(gè)數(shù);表示總的樣本序列個(gè)數(shù)，類(lèi)似于自然語(yǔ)言處理領(lǐng)域的詞的個(gè)數(shù)，空間序列嵌入網(wǎng)絡(luò)的隨著用戶(hù)數(shù)量的增加而增加，時(shí)間序列嵌入網(wǎng)絡(luò)的保持不變;表示嵌入維度大小.首先對(duì)某個(gè)用戶(hù)的軌跡中的每個(gè)記錄點(diǎn)進(jìn)行one-hot編碼，此編碼相對(duì)稀疏，而且會(huì)丟失原始軌跡的物理層信息.針對(duì)上述問(wèn)題，采用靈活性比較高的線(xiàn)性嵌入網(wǎng)絡(luò)，把稀疏的one-hot編碼映射成密集矩陣向量.

位置編碼在移動(dòng)軌跡預(yù)測(cè)任務(wù)中是經(jīng)常采用的方式[11]，目的是將物理空間的相鄰位置嵌入到潛在高維的相鄰空間.值得注意的是，該嵌入模塊由網(wǎng)絡(luò)權(quán)值共享，對(duì)兩條輸入到網(wǎng)絡(luò)中的軌跡分別進(jìn)行嵌入編碼.這種共享機(jī)制保證了兩條來(lái)自同一物理空間的軌跡可以投影到另一個(gè)相同的潛在空間.此外，參數(shù)共享嵌入網(wǎng)絡(luò)大大降低了整個(gè)網(wǎng)絡(luò)的參數(shù)個(gè)數(shù).

1.3.3 遞歸循環(huán)網(wǎng)絡(luò)

將嵌入層輸出的位置編碼序列輸入到遞歸循環(huán)網(wǎng)絡(luò)，再次編碼.該網(wǎng)絡(luò)的基本單元主要采用門(mén)控循環(huán)單元（GRU）.GRU是長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的一種拓展[12].結(jié)構(gòu)上，GRU有2個(gè)門(mén)：重置門(mén)和更新門(mén);LSTM有3個(gè)門(mén)：遺忘門(mén)、輸入門(mén)和輸出門(mén).GRU直接將隱狀態(tài)傳給下一個(gè)單元，而LSTM則用記憶單元把隱狀態(tài)包裝起來(lái)，所以GRU的參數(shù)較少.性能上，GRU較LSTM更容易收斂.采用參數(shù)較少且易收斂的GRU作為循環(huán)編碼的基本單元.

為了提高模型的識(shí)別能力，對(duì)遞歸循環(huán)網(wǎng)絡(luò)采用了權(quán)值共享的策略，對(duì)不同的兩條軌跡進(jìn)行編碼時(shí)，改變模型的參數(shù)，使模型更好地適應(yīng)多個(gè)軌跡空間.遞歸循環(huán)網(wǎng)絡(luò)后面連接的是maxpooling層，該網(wǎng)絡(luò)層有兩個(gè)功能：一是把不同長(zhǎng)度的軌跡編碼變成統(tǒng)一的長(zhǎng)度;二是可以提取重要的特征.通過(guò)這個(gè)網(wǎng)絡(luò)層后，可以得到原始軌跡的特征向量表示.

1.3.4 注意力機(jī)制網(wǎng)絡(luò)

為了捕捉軌跡中更宏觀的語(yǔ)義層信息，在輸出兩條軌跡相似度分?jǐn)?shù)之前，采用注意力機(jī)制網(wǎng)絡(luò)對(duì)其再次進(jìn)行信息交互.該網(wǎng)絡(luò)使來(lái)源于不同時(shí)間維度下的空間序列能夠進(jìn)行重要位置的權(quán)重相乘，從而更精確地度量不同軌跡的相似度.

首先將查詢(xún)向量和原始軌跡的特征向量逐一進(jìn)行相似度計(jì)算，常用的相似度計(jì)算有點(diǎn)積、拼接、感知機(jī)等;接著，使用softmax函數(shù)將這些權(quán)重歸一化，得到向量;最后，將權(quán)重和相應(yīng)的特征向量加權(quán)求和，其中，，為待學(xué)習(xí)的參數(shù)，分別表示點(diǎn)積、拼接、感知機(jī)的相似度計(jì)算函數(shù);為softmax函數(shù)為第個(gè)需計(jì)算的特征向量為查詢(xún)向量為最終輸出.

傳統(tǒng)的注意力機(jī)制的查詢(xún)向量為原本軌跡的特征向量，即，不同于傳統(tǒng)的注意力機(jī)制網(wǎng)絡(luò)，本研究采用文獻(xiàn)[13]中提到的相互注意力機(jī)制，查詢(xún)向量取另外一條軌跡的特征向量中的某個(gè)向量，例如，A軌跡的特征向量為，B軌跡的特征向量為，在對(duì)軌跡A進(jìn)行注意力計(jì)算時(shí)，查詢(xún)向量可以取軌跡B中的向量，即.據(jù)此，可以在計(jì)算相似度分?jǐn)?shù)之前連接兩個(gè)軌跡，并找到它們的相關(guān)部分，把得到的軌跡特征向量進(jìn)行連接，傳入多層前饋網(wǎng)絡(luò)計(jì)算相似度，相似度分?jǐn)?shù)經(jīng)sigmoid函數(shù)及交叉熵?fù)p失函數(shù)轉(zhuǎn)化為輸出結(jié)果：

2 ?實(shí)驗(yàn)

2.1 數(shù)據(jù)集構(gòu)造

原始LBS數(shù)據(jù)的采樣周期為10 d（不包括周末）的500個(gè)用戶(hù)數(shù)據(jù)，將原始數(shù)據(jù)分為前一周和后一周構(gòu)造訓(xùn)練集、驗(yàn)證集和測(cè)試集.例如在構(gòu)造訓(xùn)練集時(shí)，對(duì)于用戶(hù)，把前一周和后一周中某天的軌跡和屬于的位置序列進(jìn)行隨機(jī)組合，并給定標(biāo)簽為1;為了增加模型的識(shí)別能力，在構(gòu)造負(fù)樣本時(shí)，組合共同經(jīng)過(guò)某個(gè)位置的不同用戶(hù)的移動(dòng)軌跡，并給定標(biāo)簽為0.為了滿(mǎn)足訓(xùn)練階段二分類(lèi)問(wèn)題的樣本平衡要求，對(duì)于每個(gè)正樣本軌跡對(duì)，隨機(jī)選擇一個(gè)負(fù)樣本軌跡對(duì)與之對(duì)應(yīng).驗(yàn)證集和測(cè)試集取訓(xùn)練集之外的用戶(hù)，并且一個(gè)正樣本對(duì)應(yīng)31個(gè)負(fù)樣本.在實(shí)驗(yàn)中，訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)的比例為6∶1∶3.

2.2 訓(xùn)練過(guò)程

模型的超參數(shù)batch_size設(shè)置為64，drop_out為0.5，學(xué)習(xí)率為0.001.在訓(xùn)練的過(guò)程中如果損失值在3個(gè)時(shí)刻內(nèi)不下降，學(xué)習(xí)率以10%的幅度逐步下降，目的是使模型盡可能找到全局最優(yōu)點(diǎn).空間序列的大小隨著用戶(hù)數(shù)目增加而變大，對(duì)其嵌入維度為100，時(shí)間序列大小為240;對(duì)其嵌入維度為10，隱層單元個(gè)數(shù)為200.

在訓(xùn)練階段，為了增加模型的泛化能力，對(duì)構(gòu)造好的數(shù)據(jù)集進(jìn)行隨機(jī)排序.采用precision、recall、F1-score、特征曲線(xiàn)所覆蓋的區(qū)域面積（AUC）等指標(biāo)衡量訓(xùn)練階段模型的性能.precision表示實(shí)際兩條軌跡屬于同一用戶(hù)占預(yù)測(cè)兩條軌跡屬于同一用戶(hù)的比例;recall表示實(shí)際兩條軌跡屬于同一用戶(hù)占預(yù)測(cè)正確數(shù)的比例，預(yù)測(cè)正確數(shù)包括預(yù)測(cè)兩條軌跡屬于同一用戶(hù)和預(yù)測(cè)兩條軌跡不屬于同一用戶(hù);F1-score定義為precision和recall的調(diào)和平均數(shù)，取值范圍為0～1，1代表模型輸出最好.

在驗(yàn)證和測(cè)試階段，采用acc，acc5，acc10等指標(biāo)評(píng)價(jià)不同模型，acc，acc5，acc10分別表示匹配過(guò)程中的軌跡相似度得分排名為前1、前5、前10.比如測(cè)試時(shí)，逐個(gè)計(jì)算兩條軌跡的得分，然后將得分排序，如果可以在前5中找到相對(duì)應(yīng)的用戶(hù)編號(hào)，則統(tǒng)計(jì)到acc5.一些傳統(tǒng)的算法在上述3個(gè)指標(biāo)的差距較為明顯，比如文獻(xiàn)[2，5，14]計(jì)算軌跡相似度的acc5，acc10較高，但acc的準(zhǔn)確率明顯下降，表明這些算法在城市LBS數(shù)據(jù)集上缺乏泛化性，無(wú)法準(zhǔn)確地識(shí)別指定用戶(hù).

2.3 方法對(duì)比

第一種方法是Hist算法，NAINI等[15]采用一種直方圖的形式得到呼叫詳細(xì)記錄（CDRs）數(shù)據(jù)、網(wǎng)站瀏覽數(shù)據(jù)和GPS軌跡數(shù)據(jù)的軌跡分布，用Kullback-Leibler （KL）散度衡量?jī)蓷l軌跡分布的相似度.

另外一種方法是在按照KNN算法執(zhí)行聚類(lèi)的同時(shí)，對(duì)不同的連續(xù)空間點(diǎn)個(gè)數(shù)進(jìn)行聚類(lèi).該方法隨著連續(xù)空間點(diǎn)的數(shù)目增加，精確度呈現(xiàn)下降趨勢(shì)，表明在城市區(qū)域復(fù)雜的情況下，單點(diǎn)識(shí)別比多點(diǎn)識(shí)別準(zhǔn)確率高.

將Hist，K最近鄰（KNN）算法與本研究所提深度學(xué)習(xí)模型進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖3和表1所示.圖3表明用戶(hù)數(shù)目不同時(shí)，所提模型比Hist和KNN模型識(shí)別準(zhǔn)確率高，如表1所示，所提模型的acc高于其他模型，但是acc5和acc10較差，其原因?yàn)椋?） 在訓(xùn)練階段，所提模型構(gòu)造了大量的負(fù)樣本，導(dǎo)致待識(shí)別的軌跡數(shù)較多;2） 所提模型的主要功能是重識(shí)別具體某個(gè)用戶(hù).

3 ?結(jié)論

針對(duì)基于個(gè)體移動(dòng)軌跡的用戶(hù)重識(shí)別問(wèn)題，采用了一種端到端的深度學(xué)習(xí)框架，使用嵌入網(wǎng)絡(luò)和遞歸結(jié)構(gòu)網(wǎng)絡(luò)對(duì)位置點(diǎn)和軌跡序列進(jìn)行編碼，用注意力機(jī)制計(jì)算兩條軌跡向量的重要部分，得出更加精確的相似度得分.實(shí)驗(yàn)采用了復(fù)雜的城市LBS數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明在用戶(hù)數(shù)量不同的情況下，所提模型較其他模型的性能具備一定優(yōu)勢(shì).所提模型不僅局限于行人重識(shí)別問(wèn)題，也可以應(yīng)用于其他場(chǎng)景，比如行人軌跡預(yù)測(cè)和各種網(wǎng)絡(luò)服務(wù)的推薦系統(tǒng).在未來(lái)的工作中，將嘗試把模型擴(kuò)展到不同的應(yīng)用場(chǎng)景中，探究其在軌跡數(shù)據(jù)隱私保護(hù)及智慧城市應(yīng)用中的潛在價(jià)值.

參考文獻(xiàn)：

[1] DEMONTJOYEY A，HIDALGO C A，VERLEYSEN M，et al.Uniquein the crowd：the privacy bounds of human mobility [J].Scientific Reports，2013，3：1376.

[2] ZANG H，BOLOT J.Anonymization of location data does not work：a large-scale measurement study [C]//Proceedings of the 17th Annual International Conference on Mobile Computing and Networking.Las Vegas：ACM，2011：145-156.

[3] WANG H D，GAO C，LI Y，et al.De-anonymization of mobility trajectories：dissecting the gaps between the oryand practice [C]//The 25th Annual Network & Distributed System Security Symposium.San Diego：NDSS，2018：1-15.

[4] NARAYANAN A，SHMATIKOV V.Robust de-anonymization of large sparse data sets [C]//Proceedings of the IEEE Symposiumon Security and Privacy （SP）.Oakland：IEEE，2008：111-225.

[5] MA C Y T，YAU D K Y，YIP N K，et al.Privacy vulnerability of published anonymous mobility traces [J].Transactionson Networking，2013，21（3）：720-733.

[6] ROSSI L，MUSOLESI M.Its the way you check-in：identifyingusers in location-based social networks [C]//Proceedings of the second ACM Conference on Online Social Networks （COSN）.Dublin：ACM，2014：215-226.

[7] FENG J，LI Y，ZHANG C，et al.Deepmove：predicting human mobility with attentional recurrent networks [C]//Proceedings of the 2018 World Wide Web Conference.Lyon：ACM， 2018：1459-1468.

[8] RIEDERER C，KIM Y，CHAINTREAU A，et al.Linking users acrossdomains with location data：theory and validation [C]//Proceedings of the 25th International Conference on World Wide Web.Montréal：ACM，2016：707-719.

[9] MULDERY D，DANEZIS G，BATINA L，et al.Identification via location-profiling in GSM networks[C]//Proceedings of the 7th ACM Workshop on Privacy in the Electronic Society.Alexandria：ACM，2008：23-32.

[10] CECAJ A，MAMEI M，ZAMBONELLI F.Re-identification and information fusion between anonymized CDR and social network data [J].Journal of Ambient Intelligence & Humanized Computing，2016，7（1）：83-96.

[11] YAO D，ZHANG C，ZHU Z H，et al.Trajectory clustering via deep representation learning [C]//International Joint Conference on Neural Networks.Anchorage：IEEE，2017：3880-3887.

[12] CHO K，MERRIENBOER B V，GULCEHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation [C]//International Joint Conference on Neural Networks （IJCNN）.Anchorage：IEEE，2014：1-13.

[13] FENG J，ZHANG M Y，WANG H D，et al.DPLink：user identity linkage via deep neural network from heterogeneous mobility data [C]//The Web Conference. San Francisco：ACM，2019：459-469.

[14] SHOKRI R，THEODORAKOPOULOS G，LE BOUDEC J Y，et al.Quantifying location privacy [C]//Proceedings of the 2011 IEEE Symposium on Security and Privacy.Washington，DC：IEEE，2011：247-262.

[15] NAINI F M，UNNIKRISHNAN J，THIRAN P，et al.Where you are is who you are：user identification by matching statistics [J].IEEE Transactions on Information Forensics and Security （TIFS），2016，11（2）：358-372.

（責(zé)任編輯：包震宇）