劉春陽

安徽理工大學(xué)空間信息與測繪工程學(xué)院,安徽 淮南 232001

在移動互聯(lián)網(wǎng)、定位技術(shù)、無線通信技術(shù)和智能移動設(shè)備高速發(fā)展的背景下,大量移動對象的位置可以被有效地定位和追蹤,由此產(chǎn)生了海量的移動對象時空軌跡數(shù)據(jù),同時極大地推動了位置社交網(wǎng)絡(luò)的發(fā)展。利用這些時空軌跡數(shù)據(jù)對移動對象進(jìn)行位置預(yù)測和位置推薦是大數(shù)據(jù)時代人類移動性研究的重要方向,也是地理信息科學(xué)、計算機(jī)科學(xué)、社會學(xué)以及復(fù)雜性科學(xué)等領(lǐng)域共同關(guān)注的重要研究議題,在位置社交網(wǎng)絡(luò)服務(wù)、智能交通管理、智能警務(wù)、移動計算、環(huán)境監(jiān)測、災(zāi)害管理、流行病傳播、智慧城市建設(shè)等方面有著重要的實(shí)際應(yīng)用價值和學(xué)術(shù)價值。

大數(shù)據(jù)、人工智能、深度學(xué)習(xí)、高性能計算等技術(shù)的發(fā)展,為人類移動性建模和預(yù)測問題的研究帶來了新的機(jī)遇。然而,在大規(guī)模軌跡數(shù)據(jù)上挖掘移動對象的移動行為規(guī)律,需要應(yīng)對諸多挑戰(zhàn),包括數(shù)據(jù)稀疏性、偏好異質(zhì)性、時空異質(zhì)性、序列長期依賴性和模型的計算效率等。針對這些挑戰(zhàn),論文從位置社交網(wǎng)絡(luò)中興趣點(diǎn)推薦和車輛移動位置預(yù)測兩類具體任務(wù)出發(fā),以時空軌跡數(shù)據(jù)為研究對象,以移動對象未來的位置預(yù)測和服務(wù)推薦為主要研究目標(biāo),開展了若干研究工作。主要研究成果如下。

(1) 針對傳統(tǒng)基于矩陣分解的興趣點(diǎn)推薦方法在低維潛在空間中使用簡單/固定的內(nèi)積估計復(fù)雜的用戶-興趣點(diǎn)交互帶來的限制,以及用戶-興趣點(diǎn)矩陣的數(shù)據(jù)稀疏性問題,論文綜合考慮興趣點(diǎn)推薦任務(wù)中用戶、興趣點(diǎn)、興趣轉(zhuǎn)移模式和空間上下文的聯(lián)合作用,提出了一種融合地理-序列偏好和距離度量分解的興趣點(diǎn)推薦方法。首先,對度量空間進(jìn)行分解來學(xué)習(xí)用戶和興趣點(diǎn)在度量空間中的位置,利用歐氏距離代替矩陣分解方法的內(nèi)積表示,通過用戶和興趣點(diǎn)的歐氏距離建模用戶的一般偏好。進(jìn)一步,考慮用戶興趣的動態(tài)變化特征,利用連續(xù)簽到位置的歐氏距離建模用戶的興趣轉(zhuǎn)移模式。然后,線性融合兩種類型的距離,并將地理距離作為權(quán)重因子進(jìn)行約束,構(gòu)建融合用戶一般偏好、興趣轉(zhuǎn)移模式和地理影響的興趣點(diǎn)推薦統(tǒng)一框架。最后,在兩個真實(shí)數(shù)據(jù)集上進(jìn)行了大量試驗(yàn),證明了該方法的有效性和優(yōu)越性。

(2) 傳統(tǒng)淺層興趣點(diǎn)推薦模型難以有效融合時空上下文信息和建模用戶在空間和時間上的個性化差異,現(xiàn)有研究未能準(zhǔn)確建模用戶簽到序列中存在的長期依賴關(guān)系和隱藏的主要行為意圖,因此,論文提出了一種基于時空門控循環(huán)單元和注意力機(jī)制的興趣點(diǎn)推薦方法。首先,構(gòu)建了時空門控循環(huán)單元網(wǎng)絡(luò),通過融合用戶移動的連續(xù)地理距離信息和時間間隔信息,同時建模用戶的序列偏好和個性化時空偏好。然后,通過引入注意力模型并集成到時空門控循環(huán)單元網(wǎng)絡(luò)中,學(xué)習(xí)用戶簽到序列中隱藏的主要行為意圖。試驗(yàn)表明,該方法在精度上優(yōu)于幾類典型的興趣點(diǎn)推薦方法。

(3) 循環(huán)神經(jīng)網(wǎng)絡(luò)雖然在興趣點(diǎn)推薦中被成功應(yīng)用,但循環(huán)結(jié)構(gòu)的計算依賴于整個時間序列的隱藏狀態(tài),難以有效提高模型的效率和充分學(xué)習(xí)空間維度的高階特征交互。因此,論文提出了一種基于時空擴(kuò)展卷積生成網(wǎng)絡(luò)的興趣點(diǎn)推薦方法。首先,引入條件概率生成模型,通過使用一個可以并行化計算的堆疊式擴(kuò)展因果卷積網(wǎng)絡(luò)和殘差結(jié)構(gòu)建模用戶移動序列。然后,利用連續(xù)的地理距離信息建模用戶的個性化空間偏好,并融合兩種類型的時間周期性模式來建模用戶的個性化時間偏好。試驗(yàn)表明,與幾類先進(jìn)的興趣點(diǎn)推薦方法相比,該方法在精度和效率上均具有明顯的優(yōu)勢。

(4) 為解決車輛移動位置預(yù)測任務(wù)中建模軌跡序列長期依賴的難題,以及現(xiàn)有基于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型計算效率較低的問題,論文提出一種基于分層注意力機(jī)制和擴(kuò)展卷積生成網(wǎng)絡(luò)的車輛移動位置預(yù)測方法。首先,對大規(guī)模的車輛軌跡數(shù)據(jù)建立精細(xì)化的地理網(wǎng)格表示,獲取移動軌跡的網(wǎng)格編碼序列,并代替原始軌跡數(shù)據(jù)作為預(yù)測模型的輸入。然后,引入一個簡單高效的生成模型,通過融合分層注意力機(jī)制、擴(kuò)展因果卷積網(wǎng)絡(luò)和殘差結(jié)構(gòu)學(xué)習(xí)車輛移動軌跡的深層次重要特征和時空移動規(guī)律。試驗(yàn)表明,該方法不僅能夠有效學(xué)習(xí)序列長期依賴關(guān)系,進(jìn)而獲得更高的預(yù)測精度,而且模型的運(yùn)行效率也有較大提升。

論文的研究成果不僅可以為移動對象位置預(yù)測與位置推薦問題提供思路和技術(shù)儲備,而且可以進(jìn)一步豐富現(xiàn)有的時空數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等基礎(chǔ)理論,具有重大理論意義和實(shí)用價值。