劉春陽(yáng)

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

在移動(dòng)互聯(lián)網(wǎng)、定位技術(shù)、無(wú)線通信技術(shù)和智能移動(dòng)設(shè)備高速發(fā)展的背景下,大量移動(dòng)對(duì)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(dòng)對(duì)象時(shí)空軌跡數(shù)據(jù),同時(shí)極大地推動(dòng)了位置社交網(wǎng)絡(luò)的發(fā)展。利用這些時(shí)空軌跡數(shù)據(jù)對(duì)移動(dòng)對(duì)象進(jìn)行位置預(yù)測(cè)和位置推薦是大數(shù)據(jù)時(shí)代人類(lèi)移動(dòng)性研究的重要方向,也是地理信息科學(xué)、計(jì)算機(jī)科學(xué)、社會(huì)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(dòng)計(jì)算、環(huán)境監(jiān)測(cè)、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(jià)值和學(xué)術(shù)價(jià)值。

大數(shù)據(jù)、人工智能、深度學(xué)習(xí)、高性能計(jì)算等技術(shù)的發(fā)展,為人類(lèi)移動(dòng)性建模和預(yù)測(cè)問(wèn)題的研究帶來(lái)了新的機(jī)遇。然而,在大規(guī)模軌跡數(shù)據(jù)上挖掘移動(dòng)對(duì)象的移動(dòng)行為規(guī)律,需要應(yīng)對(duì)諸多挑戰(zhàn),包括數(shù)據(jù)稀疏性、偏好異質(zhì)性、時(shí)空異質(zhì)性、序列長(zhǎng)期依賴性和模型的計(jì)算效率等。針對(duì)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(chē)輛移動(dòng)位置預(yù)測(cè)兩類(lèi)具體任務(wù)出發(fā),以時(shí)空軌跡數(shù)據(jù)為研究對(duì)象,以移動(dòng)對(duì)象未來(lái)的位置預(yù)測(cè)和服務(wù)推薦為主要研究目標(biāo),開(kāi)展了若干研究工作。主要研究成果如下。

(1) 針對(duì)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(jiǎn)單/固定的內(nèi)積估計(jì)復(fù)雜的用戶-興趣點(diǎn)交互帶來(lái)的限制,以及用戶-興趣點(diǎn)矩陣的數(shù)據(jù)稀疏性問(wèn)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(duì)度量空間進(jìn)行分解來(lái)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(guò)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(dòng)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(lèi)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(gè)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(shí)空上下文信息和建模用戶在空間和時(shí)間上的個(gè)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(zhǎng)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(shí)空門(mén)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(shí)空門(mén)控循環(huán)單元網(wǎng)絡(luò),通過(guò)融合用戶移動(dòng)的連續(xù)地理距離信息和時(shí)間間隔信息,同時(shí)建模用戶的序列偏好和個(gè)性化時(shí)空偏好。然后,通過(guò)引入注意力模型并集成到時(shí)空門(mén)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(lèi)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(jì)算依賴于整個(gè)時(shí)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(shí)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(guò)使用一個(gè)可以并行化計(jì)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(dòng)序列。然后,利用連續(xù)的地理距離信息建模用戶的個(gè)性化空間偏好,并融合兩種類(lèi)型的時(shí)間周期性模式來(lái)建模用戶的個(gè)性化時(shí)間偏好。試驗(yàn)表明,與幾類(lèi)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(shì)。

(4) 為解決車(chē)輛移動(dòng)位置預(yù)測(cè)任務(wù)中建模軌跡序列長(zhǎng)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(jì)算效率較低的問(wèn)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(chē)輛移動(dòng)位置預(yù)測(cè)方法。首先,對(duì)大規(guī)模的車(chē)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(dòng)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(cè)模型的輸入。然后,引入一個(gè)簡(jiǎn)單高效的生成模型,通過(guò)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(chē)輛移動(dòng)軌跡的深層次重要特征和時(shí)空移動(dòng)規(guī)律。試驗(yàn)表明,該方法不僅能夠有效學(xué)習(xí)序列長(zhǎng)期依賴關(guān)系,進(jìn)而獲得更高的預(yù)測(cè)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(dòng)對(duì)象位置預(yù)測(cè)與位置推薦問(wèn)題提供思路和技術(shù)儲(chǔ)備,而且可以進(jìn)一步豐富現(xiàn)有的時(shí)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(jià)值。