面向个体出行数据的位置点预测模型研究

With the rapid development of mobile social networks, individuals generate massive travel data, which mainly includes: check-in behavior, time, geographic information, etc. of individual access location points. Analysis of such spatio-temporal data to achieve location prediction of individuals' future travel has broad commercial and social value. However, the heterogeneity, sparsity and complexity of individual travel data pose a huge challenge to location point prediction. This topic intends to build high-precision individual travel location point prediction models by means of techniques such as deep learning and confrontational learning, including: 1) In the feature extraction stage, using multi-layer perceptrons and recurrent nerves for data sparsity and heterogeneity Network, multi-view multi-granularity feature extraction; 2) In the feature fusion stage, for the complex relationship between features, using the graph structure and the collaborative attention mechanism to achieve scalable deep feature fusion; 3) in the predictive model construction and training phase, Aiming at the randomness of training methods, the anti-learning mechanism is adopted to enhance the quality of sample selection, and the spatio-temporal dependence of model parameters is introduced to improve the effectiveness and robustness of individual travel prediction models. The research results of this project are not only beneficial to the application of artificial intelligence technology in the field of spatiotemporal data mining, but also provide a series of new theoretical basis for urban computing and human social behavior research.

随着移动社交网络迅速发展，个体产生海量出行数据，主要包含：个体访问位置点的签到行为、时间、地理信息等。分析这类时空数据，实现个体未来出行的位置点预测，具有广泛商业和社会价值。但是，个体出行数据的异构性、稀疏性和复杂性给位置点预测带来巨大挑战。本课题拟借助深度学习和对抗学习等技术，构建高精度的个体出行位置点预测模型，具体包括：1）在特征提取阶段，针对数据稀疏性和异构性，采用金字塔结构和循环神经网络，实现多视角多粒度特征提取；2）在特征融合阶段，针对特征间复杂关系，利用图结构和协同注意力机制，实现可扩展深层次特征融合；3）在预测模型构建和训练阶段，针对训练方式比较随机，采用对抗学习机制，增强样本选取的质量，引入模型参数的时空依赖约束，提高个体出行预测模型的有效性和鲁棒性。本项目的研究成果既有利于将人工智能技术应用于时空数据挖掘领域，也为城市计算及人类社会行为学研究提供一系列新的理论依据。

为预测个体出行的位置点，方便理解个体出行模式、辅助管理决策、促进商业推广，本项目主要研究面向个体出行数据的位置点预测模型，在已知每个个体出行历史数据的情况下，实现精准预测个体在未来特定时刻将会访问的位置点。由于不同数据集中包含个体出行上下文的数据类型有所不同，如有的数据集可能包含个体的社交关系数据，有的数据集包含位置点相关的类别标签、评论文本、图像等数据。本项目选取了其中最具有代表性的个体出行的签到数据作为研究的数据基础，即个体访问位置点的签到行为信息，位置点的地理坐标信息，以及个体访问位置点的时间信息。 . 针对个体出行数据中的时空行为数据的特点，本项目借助了深度学习方法充 分挖掘已有个体出行数据的潜在特征，提出了可扩展框架将多种特征汇聚整合，并采用了博弈论中的对抗机制训练模型参数，实现了精准的个体出行位置点预测。我们从以下3个模块开展了研究:首先，利用了深度学习方法的自动高效提取深层特征的能力，研究了从个体出行数据中的地理、时间、签到行为信息，提取多视角多粒度的地理、时间、签到行为特征（代表工作1、2、3）;其次，分析了各个特征间的影响关系，构建了通用特征融合框架，实现了地理、时间、签到行为特征间的融合增强（代表工作4、5）;最后，研究了对抗学习机制，结合时空行为特征，提高了模型对高质量伪样本的判别能力，实现了对个体出行位置点的精准预测（代表工作6、7、8）。. 项目重要产出和成果包括：在国际、国内高水平学术会议（如，ICDE,TKDE,DASFAA,ICWE,WISE等）和期刊（如IEEE Sensors Journal,FCS）共发表了15篇研究论文，其中CCF A类/JCR Q1 4篇，CCF B类/中科院二区3篇，CCF C类2篇，申请中国发明专利并授权2项；广东省科技进步一等奖（2021，刘威，排名13/15）,协助指导硕士生5名，指导本科生5名。与合作单位澳门大学、佳都科技、通达公司、数字广东、恒电公司将技术攻关、产品研发、示范建设和产业化紧密结合在一起，定制和研发了基于个体出行数据的位置预测模型的多个实际应用系统。这些时空大数据分析系统已经应用到了完成单位研发的疫情防控分析系统、智慧轨道交通、粤省事APP、通达巴士在线智能交通管理云平台等多个产品的运行系统中，起到了不可替代的作用。

内容获取失败，请点击重试