基于轨迹数据的用户意图挖掘关键技术研究

The wide spread use of positioning device has given rise to a vast body of trajectory data. Mining user's movement patterns from such data has important applications in a variety of areas, including intelligent transportation systems, urban planning, location-based service, etc. Intention discovery helps understand user’s behaviors, and forms the basis of many trajectory-based applications. However, most existing works fail to address this problem explicitly. This project aims to answer the call for intention discovery, and works on three related issues: 1) constructing a user intention model based on deep learning techniques; 2) developing a series of applications based on user intentions, including point of interest (POI) recommendations, next location predictions, etc.; 3) integrating both trajectory data and location-based social network data to enhance the quality of trajectory mining; proposing a set of data stream processing algorithms to adapt to the huge volume and rapid evolution of trajectories. Novel methods developed from this project will help provide a better understanding of user’s movement patterns, and further boost the use of trajectory mining in smart city and location based social networks.

随着信息通讯技术的高速发展和位置感知设备的普及应用，近年来出现了越来越多的时空轨迹数据，对这些数据进行挖掘从而理解用户的行为模式，是智能交通、城市规划、基于位置的服务等领域的重要需求，而分析轨迹数据背后的用户隐含意图，是理解用户行为的重要途径，但现有工作还鲜有显式涉及。为此，本项目将围绕用户意图理解这一核心问题，展开三方面的研究：1）研究构建基于深度学习的用户意图模型；2）研究基于意图理解的用户推荐，主要包含兴趣点推荐，下一位置预测等；3）为解决在意图建模及应用中遇到的数据稀疏、缺失问题，研究轨迹数据与文本等社交网络数据的多源数据融合与相互增强；为支持轨迹数据的大规模处理，研究流数据处理技术，主要包括分布式索引结构和查询算法等。本项目的研究将为用户行为的深入分析和理解提供新的方法和技术，为轨迹数据挖掘提供新的支点，满足来自智慧城市、移动社交网络等领域的应用需求。

用户移动模式理解是时空轨迹数据挖掘的一个重要方面，在城市计算、基于位置的推荐、路径规划等领域具有广泛的应用。本项目主要研究从轨迹数据中发现人们在移动中的“意图”，即理解用户选择该路径的原因。围绕这一核心内容，本项目从四个方面开展了深入的研究：1）设计了多种新颖的深度学习模型以理解用户意图，并构建了一系列嵌入式特征表达方式；2）针对交通轨迹，社交媒体访问轨迹数据稀疏的特点，提出多模态数据融合与增强的方法，更好的整合利用图像数据以及文本数据的特征；3）基于用户意图模型开展一系列深度应用，包含下一位置预测，流量预测，交通拥堵预测，旅行时间预测等；4）针对轨迹数据海量高维的特点，设计了一系列时空数据的索引与查询优化算法。项目所提出的方法，均在现实数据中完成了广泛的实验，结果优于同类算法。通过对以上问题的研究，项目组在国内外高水平会议及期刊发表文章20余篇，培养专业人才20余人。该项目的研究，将满足轨迹数据挖掘面向智慧城市、社会网络和智能化服务等领域的一定应用需求，为用户行为的学习和城市复杂事件的感知和决策服务提供了方法和技术支持。

内容获取失败，请点击重试