一种移动社交网络中用户的地理位置预测方法技术

一种移动社交网络中用户的地理位置预测方法，若待进行位置预测的目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测。将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户针对预测信息的好坏，发送反馈信息给反馈子系统，根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。

【技术实现步骤摘要】

本专利技术涉及一种移动社交网络中用户的地理位置预测方法，是一种混合了距离衰减函数和前缀树结构的地理位置预测算法(GeographicalLocationPredictionalgorithmbasedonJointofDistancedecreasingfunctionandprefix-Treestructure,简称为GLP-JDT算法)，属于移动社交网络中地理位置的数据挖掘

技术介绍
近年来，随着互联网的快速发展，移动设备的广泛使用，大数据时代的到来，社交、移动和位置的融合以及发展，促进了移动社交网络的发展。由于智能移动设备日益普及，信息资源的获取和推送可以发生在任何时间、任何地点、任何人和任何方式。为用户提供无处不在的信息内容已经成为可能，智能移动设备也逐渐成为人们获取信息的主要平台。用户可以方便的获取个人位置信息，使用各种基于位置的服务(LBS)，极大地方便了人与人之间的社交活动，并正深入影响人们的社会生活方式。作为移动社交网络的主体，人的移动性带来的位置轨迹不仅记录了人的行为历史，也记录了人与社会的交互活动信息，这些轨迹蕴含了用户的兴趣和爱好，不同的轨迹则反映了不同的用户个性，使用GPS轨迹对用户进行研究，可以对用户的轨迹进行预测服务。根据研究数据集中的轨迹，轨迹是否可以划分为单一用户，位置预测的方法可分为针对个人的位置预测和针对大众的一般化预测方法。针对于单独用户的位置预测，训练数据集的时候，只用考虑当前用户的历史轨迹数据，这种方法一般使用基于访问频率的移动位置预测方法，如PrefixSpan、前缀树等算法，通过统计移动轨迹当中各条轨迹出现的频次，找到用户的频繁模式，当输入一条用户的一条移动轨迹时，输出为出现最多次数的轨迹序列。针对大众的一般化位置预测，训练数据集时，则利用全部用户的轨迹数据作为训练数据，找到大众的“群”模式，然后对所有用户进行同一种行为模式的推荐。从大量的数据分析中得知，人类的移动行为存在幂律分布特性，80％以上的移动行为都集中在局部区域内。例如基于距离的衰减函数，可以得知在一个地区内，用户从一个点到另外一个点的概率分布。
技术实现思路
本专利技术提供一种移动社交网络中用户的地理位置预测方法，目的在于构造一种适用于移动社交网络中用户的位置测算算法。针对没有历史轨迹数据的用户，采用基于空间距离的衰减函数对其下一个点的位置进行预测；对于已有历史轨迹数据的用户，采用衰减函数和前缀树结构的混合模式进行位置预测，并根据反馈子系统，对用户进行位置预测的优化。为实现上述目的，本专利技术采用了如下技术方案：一种移动社交网络中用户的地理位置预测方法，其特征在于：首先，将所有用户分为两类群体，一类是在位置预测系统中已经存在轨迹模式的用户称为老用户，另一类是不知道轨迹模式的称为新用户；待进行位置预测的用户称为目标用户，若目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，即一方面对该老用户的轨迹进行学习，建立该老用户的衰减函数，这个函数代表了一个用户从一个点到另一个点的概率，另一方面根据该老用户记录的轨迹建立前缀树结构；若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测，即将该新用户所在地区内全部老用户的轨迹模式进行学习，建立该新用户的衰减函数；然后，将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，并且将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户在收到预测信息后，针对预测信息的好坏，发送反馈信息给反馈子系统，反馈子系统根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，不断地完善预测算法，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。上述方法包括以下步骤：1)预测算法：获取目标用户当前的位置信息，对目标用户进行建模，分别建立衰减函数和前缀树结构，如果目标用户是新用户，那么只建立对应的衰减函数；2)评分子系统：根据1)中建立的目标用户模型，评分子系统会计算出目标用户下一个可能出现的位置的得分，并且对目标用户发送得分最高的前三个位置；3)反馈子系统：根据2)中预测的位置，目标用户会发送反馈，预测算法使用反馈子系统通过反馈函数迭代地修改目标用户自身的预测参数；4)上述2)中得分的评定由公式决定，M1代表衰减函数得出的评分，M2代表前缀树结构得出的评分，代表权重；对于衰减函数和前缀树结构的混合模式，设置权重为的是针对不同的用户，对其进行权重的调整，找到每个用户的权重值；反馈子系统在得到目标用户的反馈信息后，根据反馈信息，判断正负反馈，重新计算设置权重不断迭代地完善预测算法，当预测算法输出的当前地理位置满足反馈子系统中预设的条件时，反馈子系统运行结束。本专利技术的优点及显著效果：1)本专利技术在对用户轨迹处理的过程中，采用了前缀树结构来建模用户的轨迹模式，保证了预测算法的稳定性。在对用户的历史轨迹观察中得出，除了周末，用户平时的轨迹大多符合相同的轨迹序列，所以前缀树结构就保证了预测算法中的一部分权重来源于用户的历史轨迹。2)在反馈子系统中，本专利技术使用了人机交互的方式，提高了位置预测的准确性。当用户对评分子系统给出的位置点进行评价的时候，反馈子系统会记录该用户的评价，并且及时修改该用户自身的预测参数。在多次交互之后，该用户的预测参数会趋于稳定。甚至，该用户改变了自己的轨迹模式，反馈子系统也会判断出该用户的预测参数范围，并且及时修正。3)相比传统的预测算法，本专利技术有良好的通用性，无论是基于用户历史轨迹数据的预测算法，还是基于位置点的距离远近的预测算法，都无法适用于所有场合。对于老用户，系统中有该老用户的历史轨迹，我们可以很方便地对该老用户进行位置预测，但是当一个新用户使用此系统时，在没有该新用户的历史轨迹时，本专利技术基于“群智慧”和位置点远近的预测算法设置该新用户“冷启动”的预测算法，从而保证良好的通用性附图说明图1为位置预测系统的流程图；图2为用户在北京地区的衰减函数的实例；图3为前缀树结构的建立图；图4为GLP-JDT算法流程图；图5为反馈函数伪代码图。具体实施方式如图1，本专利技术首先将所有用户分为两个群体，老用户是在本系统中已经有轨迹模式的用户，这时候，我们对老用户的轨迹进行学习，建立老用户的衰减函数和前缀树结构来进行位置预测。另一个则是新用户初次体验本系统的位置预测服务，我们会新用户进行预测服务的“冷启动”，将新用户所在地区内的全部老用户的轨迹模式进行学习，建立衰减函数，此模型可以获得用户从一个点到另外一个点的概率分布情况，然后找到概率最高的前三个点对目标用户进行位置预测。目标用户在收到预测信息后，针对预测信息的好坏，发送反馈，反馈子系统得到目标用户的反馈信息后，计算当前目标用户的最优预测参数。整个GLP-JDT算法框架包括以下内容：1)预测算法：获取目标用户当前的位置信息，对目标用户进行建模，分别建立衰减函数和前缀树结构，如果目标用户是新用户，那么只建立对应的衰减函数；2)评分子系统：根据1)中建立的目标用户模型，评分子系统会计算出目标用户下一个可能出现的位置的得分，并且对目标用户发送得分最高的前三个位置。3)反馈子系统本文档来自技高网...

【技术保护点】
一种移动社交网络中用户的地理位置预测方法，其特征在于：首先，将所有用户分为两类群体，一类是在位置预测系统中已经存在轨迹模式的用户称为老用户，另一类是不知道轨迹模式的称为新用户；待进行位置预测的用户称为目标用户，若目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，即一方面对该老用户的轨迹进行学习，建立该老用户的衰减函数，这个函数代表了一个用户从一个点到另一个点的概率，另一方面根据该老用户记录的轨迹建立前缀树结构；若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测，即将该新用户所在地区内全部老用户的轨迹模式进行学习，建立该新用户的衰减函数；然后，将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，并且将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户在收到预测信息后，针对预测信息的好坏，发送反馈信息给反馈子系统，反馈子系统根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，不断地完善预测算法，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。...

【技术特征摘要】
1.一种移动社交网络中用户的地理位置预测方法，其特征在于：首先，将所有用户分为两类群体，一类是在位置预测系统中已经存在轨迹模式的用户称为老用户，另一类是不知道轨迹模式的称为新用户；待进行位置预测的用户称为目标用户，若目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，即一方面对该老用户的轨迹进行学习，建立该老用户的衰减函数，这个函数代表了一个用户从一个点到另一个点的概率，另一方面根据该老用户记录的轨迹建立前缀树结构；若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测，即将该新用户所在地区内全部老用户的轨迹模式进行学习，建立该新用户的衰减函数；然后，将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，并且将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户在收到预测信息后，针对预测信息的好坏，发送反馈信息给反馈子系统，反馈子系统根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，不断地完善预测算法，直到找到当...

【专利技术属性】
技术研发人员：邹志强，于喆，吴家皋，谢星宇，何旭，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32