邵改革，盧小平，杜耀剛，李國清

（1．河南理工大學(xué) 礦山空間信息技術(shù)國家測繪地理信息局重點實驗室，河南 焦作454003；2．河南北斗空間科技有限公司，河南 鄭州450003；3．河南省遙感測繪院，河南 鄭州450003）

隨著“數(shù)字城市”成果的廣泛應(yīng)用及“智慧城市”建設(shè)的啟動，物聯(lián)網(wǎng)和云計算等技術(shù)正在迅速發(fā)展，人們生產(chǎn)生活以及各類傳感網(wǎng)產(chǎn)生的數(shù)據(jù)已從TB級增長到PB級，進入到了智慧城市的“大數(shù)據(jù)時代”［1－2］。因此，如何從海量數(shù)據(jù)中挖掘有用的信息、提高信息的應(yīng)用價值，成為當(dāng)前亟待解決的技術(shù)難題。

目前，LBS技術(shù)能夠讓用戶在附近位置根據(jù)興趣點進行搜索，但仍沒有達到智慧城市的設(shè)想，地理信息應(yīng)該實現(xiàn)更加智能化、人性化的服務(wù)。面對龐大的地理空間信息，通過智能計算快速檢索和處理，并挖掘其中有用的信息為公眾服務(wù)，以達到在合適的時間、關(guān)注的地點，將正確的信息推送給需要的人個性化服務(wù)。本文通過運用遺傳算法的最優(yōu)搜索特征，結(jié)合神經(jīng)網(wǎng)絡(luò)和模糊分類，建立用戶的動態(tài)模型，并對用戶的下一步行為進行預(yù)測，將動態(tài)模型過濾后的各類地理空間信息推送給用戶，免去用戶自行搜索的煩惱。

1 關(guān)鍵技術(shù)

1．1 模糊遺傳算法

遺傳算法是一種模擬遺傳選擇和自然淘汰的生物進化過程計算模型，通過自然選擇、遺傳、變異等作用機制，形成全局最優(yōu)化算法［3］。在遺傳算子進行選擇、交叉和變異的作用下，原來具有低階、短定義距和平均適應(yīng)度高于整個種群平均適應(yīng)度的模式在子代繁衍中得到指數(shù)級增長［4］。一個模式Hi在選擇階段，各模式按照其適應(yīng)度在種群適應(yīng)度中所占的比例m進行復(fù)制，若Hi的適應(yīng)度較大，其復(fù)制概率越高，反之則容易丟失。經(jīng)過選擇后，Hi理論上應(yīng)有m×f（Hi）／favg個樣本。交叉操作與Hi所定義的距離Di相關(guān)，Di越大，Hi產(chǎn)生交叉的概率就越高。遺傳算法從問題解的子集開始搜索，并同時對空間中的多個解進行評估，從建立的模型中實現(xiàn)全局擇優(yōu)［5］。

地理空間數(shù)據(jù)不僅具有空間性、時間性、復(fù)雜性等特點，還包括空間的不確定性，以及人的思想、行為活動等，也存在一定的不確定性，這可以利用模糊集理論引入多準(zhǔn)則決策來解決實際建模中的不確定性問題［6］。模糊集可根據(jù)自組織、自適應(yīng)特點，采用模糊模型控制諸如時變、非線性、不確定等復(fù)雜關(guān)系，不斷完善非線性系統(tǒng)的建模與控制［7－8］。通過對用戶進行分析，建立不同的評價指標(biāo)，然后對指標(biāo)值進行模糊化，最后加權(quán)平均反模糊化，可得用戶的權(quán)重輸出：

式中：wi為規(guī)則權(quán)重；αi（x）為輸入值x的模糊度；Vi為集合的容積；ci為集合權(quán)重。每個權(quán)值計算過程中，可以通過隨機梯度下降方法調(diào)整權(quán)重，改善模糊系統(tǒng)中的不確定性規(guī)則。隱含層的多層神經(jīng)網(wǎng)絡(luò)解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)值的學(xué)習(xí)問題，其方法是不斷調(diào)整權(quán)值使得整個網(wǎng)絡(luò)的總誤差最小。假設(shè)輸入的節(jié)點、隱含節(jié)點和輸出節(jié)點分別為Ik，Mk和Ok，wij為網(wǎng)絡(luò)節(jié)點權(quán)值，則輸入層和隱含層的關(guān)系表示為

隱含層到輸出層的權(quán)值矩陣為W，則W的計算方法：

1．2 改進的模糊遺傳算法

遺傳算法雖然可以求解全局最優(yōu)，但收斂速率與局部最優(yōu)形成矛盾，導(dǎo)致因顧及收斂速率而陷入局部最優(yōu) 通過對變異算子進行改進 增加遺傳算法收斂全局最優(yōu)的概率，可快速找到全局最優(yōu)解。改進后變異概率Pm自適應(yīng)變化為

式中：Pmax是最大的變異概率，f為變異個體的適應(yīng)度，fmax是種群最大的適應(yīng)度，favg為適應(yīng)度的平均值，k為自然環(huán)境的擾動。當(dāng)試驗個體的適應(yīng)度大于整個種群的適應(yīng)度時，該個體的適應(yīng)性就越強，其發(fā)生變異的概率就越小；反之，則適應(yīng)性就較弱，而且為增加種群的多樣性，其突變的概率也越大。改進后的遺傳算法可使局部搜索能力顯著增強，達到全局收斂，提高效率。

本文提出一種基于改進的遺傳算法、模糊理論和神經(jīng)網(wǎng)絡(luò)的集成算法，即充分結(jié)合遺傳算法的全局搜索最優(yōu)性、模糊理論處理非線性關(guān)系時的優(yōu)勢及神經(jīng)網(wǎng)絡(luò)的自適應(yīng)和學(xué)習(xí)能力等優(yōu)點。假設(shè)待處理數(shù)據(jù)為Y，其每條記錄包含n個自變量和1個因變量，其中自變量與因變量呈非線性關(guān)系。利用模糊集合的模糊函數(shù)處理自變量和因變量的映射關(guān)系，建立一個神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)輸入的節(jié)點數(shù)為n，輸出層的節(jié)點數(shù)為1，隱含層根據(jù)樣本容量而定；然后以神經(jīng)網(wǎng)絡(luò)的輸出值構(gòu)建權(quán)值網(wǎng)絡(luò)，并利用改進的遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)值模型，將遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)模型整合在一起。優(yōu)化后的模糊遺傳算法流程如圖1所示，其中G是當(dāng)代數(shù)，M為每代種群中最大個體數(shù)。

2 信息個性化推送服務(wù)的實現(xiàn)

2．1 推送流程

運用模糊遺傳算法建立針對每個用戶的動態(tài)模型，根據(jù)用戶的興趣、行為習(xí)慣和社會需求等進行地理信息個性推送服務(wù)。

1）充分收集用戶個人的興趣信息，利用模糊神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)建立動態(tài)模型，根據(jù)用戶的行為趨勢不斷進行修正，從而建立預(yù)測模型。

2）將過濾后的地理空間信息根據(jù)用戶位置進行推送，從而實現(xiàn)了推送個性化信息。

3）用戶對接受到的推送信息評價后自動反饋到動態(tài)模型，可對預(yù)測模型進行不斷修正和完善，如圖2所示。

2．2 搜索匹配

圖1 優(yōu)化后的模糊遺傳算法流程

圖2 信息推送流程

當(dāng)用戶使用關(guān)鍵詞進行搜索時，可自動記錄用戶的檢索和查詢情況，通過分析用戶的查詢結(jié)果來獲取用戶的使用信息 采用向量模型匹配關(guān)鍵詞的方法可提高索引詞的選擇和語義提取，關(guān)鍵詞在文檔中的權(quán)重定義為

其中：fwi為關(guān)鍵詞w在文檔中的出現(xiàn)概率；N，nw為信息庫中文檔個數(shù)和包含關(guān)鍵詞的文檔個數(shù)；wi是文檔中所有關(guān)鍵詞的個數(shù)。如果一個詞條在文檔中出現(xiàn)的次數(shù)越多，其權(quán)重就越大；若一個詞條在不同的文檔中出現(xiàn)的次數(shù)越多，則其對于文檔庫中文檔的區(qū)分能力就越差，即詞條的權(quán)重受到lg（N／nw）的制約。

根據(jù)用戶使用關(guān)鍵詞檢索情況對用戶進行分類，這就需要判定用戶查詢與結(jié)果記錄詞條的相關(guān)性，可通過相似度函數(shù)進行計算，即顧忌文本的長度和查詢字符串的長度，具體表達式為

式中：qi為q的第i個詞條的權(quán)重；wi為q的第i個詞條在文檔d中的權(quán)重；｜d｜和｜q｜分別表示文檔和查詢字符串的長度。

2．3 推送模型

在用戶所處位置P點范圍R內(nèi)，搜索所有符合條件的信息，通過動態(tài)模型進行篩選，并按照預(yù)測模型推送給用戶個性化服務(wù)信息，這些信息可劃分為吃、住、游、購、娛和美共六類。根據(jù)用戶的興趣和類型進行區(qū)分后，可將不同類別的信息推送給相應(yīng)的用戶，從而提高了信息推送的質(zhì)量。每條信息選取距離、類別、價格、時效和好評共五項指標(biāo)，各個因子的權(quán)重可根據(jù)經(jīng)驗賦予不同的權(quán)重，如表1所示。

表1 權(quán)重分配

表1中，距離采用反距離權(quán)法，即wd＝k／R；價格由用戶的使用記錄生成，按照t分布函數(shù)求出置信度為90%的置信區(qū)間，將其作為用戶價格的參數(shù)。為保證推送信息的實效性，采用反時間差法計算時間。

用戶查詢和瀏覽信息過程中，可通過對用戶的喜好和行為趨勢進行模擬，運用模糊遺傳算法不斷完善動態(tài)模型，從而實現(xiàn)對用戶行為的預(yù)測。實驗中 選取了六類用戶進行模擬實驗 通過模糊神經(jīng)調(diào)整用戶的類別權(quán)值，結(jié)果如表2所示。

表2 用戶類型模型

2．4 推送策略

對用戶周圍信息進行過濾和篩選后推送地理信息個性化服務(wù)，雖然提高了推送信息的準(zhǔn)確性，但在實際操作過程中會出現(xiàn)符合條件的信息不足（不能完全匹配用戶特征）等問題。信息推送決策樹可根據(jù)信息推送流程及篩選條件，在信息不足時加以補充，即推送其它相關(guān)信息內(nèi)容。決策樹按照二叉樹結(jié)構(gòu)設(shè)計，并采用后序遍歷方法（左右根）遍歷整個二叉樹。如果訪問到右子樹即一旦出現(xiàn)信息不足，則停止遍歷，完成對用戶信息的推送。

2．5 結(jié)果評價

本文建立的模型可利用反饋機制來評價推送給用戶信息的質(zhì)量，即用戶對接收到的推送信息的評價自動反饋到后臺服務(wù)器，據(jù)此修正用戶動態(tài)模型。推送信息的預(yù)測率是指推送信息與用戶模型的相關(guān)性程度，而信息的召回率是指被用戶確認為無用信息在總體中所占的比率。主動推送度是對推送信息的有用度和無用度的綜合評價，該指標(biāo)反映了信息推送主動可用性的程度。實驗中，根據(jù)精度和性能兩個評價指標(biāo)對六類用戶的反饋結(jié)果進行統(tǒng)計，并選擇召回率和有用度進行評定，結(jié)果如表3所示。

表3 推送質(zhì)量評價 %

為評估該算法優(yōu)化前后對用戶模型的影響，本文選取預(yù)測率和推送度作為評價指標(biāo)，并將優(yōu)化前后結(jié)果進行對比分析，結(jié)果如圖3所示。由圖3可知，優(yōu)化后的個性化信息推送提高了信息的針對性和應(yīng)用價值，為用戶的決策提供了可靠的參考依據(jù)。

圖3 優(yōu)化前后對比

3 結(jié)束語

本文綜合利用模糊理論、遺傳算法和神經(jīng)網(wǎng)絡(luò)等方法，并對這些算法進行改進，建立針對每個用戶的動態(tài)模型，可根據(jù)用戶位置、個人行為和興趣、社會需求等檢索條件，主動向用戶推送地理信息，實現(xiàn)對用戶的個性化信息推送服務(wù)。地理信息的個性化服務(wù)能夠滿足用戶對信息的需求，通過對用戶的個性、習(xí)慣等進行分析，可向用戶主動推送個性化信息，從而提供高質(zhì)量的地理信息服務(wù)［9］。為提高地理信息個性推送服務(wù)的質(zhì)量，還需要綜合利用更多的智能算法，不斷完善用戶動態(tài)模型，增加信息之間的關(guān)聯(lián)性，以提高信息推送的準(zhǔn)確度和信息服務(wù)的質(zhì)量。

［1］ 李德仁，姚遠，邵振峰．智慧城市中的大數(shù)據(jù)［J］．武漢大學(xué)學(xué)報：信息科學(xué)版，2014，39（6）：631－640．

［2］ 劉經(jīng)南，方媛，郭遲，等．位置大數(shù)據(jù)的分析處理研究進展［J］．武 漢 大 學(xué) 學(xué) 報：信 息 科 學(xué) 版，2014，39（4）：379－385．

［3］ 馬永杰，云文霞．遺傳算法研究進展［J］．計算機應(yīng)用研究，2012，29（4）：1201－1206．

［4］ 于海璁，陸鋒．一種基于遺傳算法的多模式多標(biāo)準(zhǔn)路徑規(guī)劃方法［J］．測繪學(xué)報，2014，43（1）：89－96．

［5］ 羅亞中，袁端才，唐國金．求解非線性方程組的混合遺傳算法［J］．計算力學(xué)學(xué)報，2005，22（1）：109－114．

［6］ 李卓，李永樹，梁磊．基于多級模糊與GIS的天然氣管道風(fēng)險評估［J］．測繪工程，2013，22（1）：78－80．

［7］ 張東波，王耀南，易靈芝．粗集神經(jīng)網(wǎng)絡(luò)及其在智能信息處理領(lǐng)域的應(yīng)用［J］．控制與決策，2005，20（2）：121－125．

［8］ 杜世宏，王橋，李順．模糊對象粗糙表達及其空間關(guān)系研究［J］．遙感學(xué)報，2004，8（1）：1－7．

［9］ 陳軍，武昊，李松年，等．面向大數(shù)據(jù)時代的地表覆蓋動態(tài)服務(wù)計算［J］．測繪科學(xué)技術(shù)學(xué)報，2013，30（4）：369－374．