(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111573021.9 (22)申请日 2021.12.21 (71)申请人 国家计算机网络与信息安全管理中 心 地址 100029 北京市朝阳区裕民路甲3号 申请人 中国科学院信息 工程研究所 (72)发明人 井雅琪　佟玲玲　方芳　段东圣　 任博雅　段运强　时磊　曹亚男　 尚燕敏　 (74)专利代理 机构 北京君尚知识产权代理有限 公司 11200 专利代理师 邱晓锋 (51)Int.Cl. G06F 16/9537(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06Q 10/04(2012.01) (54)发明名称 一种基于多关系融合分析的用户轨迹预测 方法和系统 (57)摘要 本发明涉及一种基于多关系融合分析的用 户轨迹预测方法和系统。 该方法根据用户的历史 轨迹相似关系和位置邻近关系， 构建轨迹关系 图， 然后基于轨迹关系图中用户间的关系， 利用 融入注意力机制的轨迹预测模型对目标用户的 未来轨迹进行预测。 本发明充分考虑了用户出行 具有的时间规律性特征， 并充分挖掘了人群中的 社会行为信息， 预测精度具有明显的提高； 本发 明使用融入注意力机制的轨迹关系图来计算影 响力大小， 融入了不同用户对轨迹影响的差异， 更加符合实际情况； 本发明不仅利用了位置相邻 的行人的轨迹行为信息， 也考虑了历史轨迹相似 用户的轨迹情况， 将两种影 响人群结合在一起构 建轨迹关系图， 解决了怎样对多种类型信息进行 建模的问题。 权利要求书2页 说明书8页 附图2页 CN 114461931 A 2022.05.10 CN 114461931 A 1.一种基于多关系融合分析的用户轨 迹预测方法， 其特 征在于， 包括以下步骤： 根据用户的历史轨 迹相似关系和位置邻近关系， 构建轨 迹关系图； 基于轨迹关系图中用户间的关系， 利用融入注意力 机制的轨迹预测模型对目标用户的 未来轨迹进行预测。 2.根据权利要求1所述的方法， 其特征在于， 所述根据用户的历史轨迹相似关系和位置 邻近关系， 构建轨 迹关系图， 包括： 用户集合中每一个元素均被看作图中的一个顶点， 如果某两个顶点所代表的用户被判 定为历史轨迹相似关系， 则 在代表两用户的顶点之 间添加一条边； 对于 当前时刻， 如果时间 片中某两个顶点代表的用户在当前时刻地理位置相邻， 则 在代表两用户的顶点之 间添加一 条边。 3.根据权利要求1所述的方法， 其特征在于， 采用以下步骤进行历史轨迹相似用户筛 选， 以获取 所述历史轨 迹相似关系： 对所有用户截取部分历史轨 迹进行编码， 作为用户初始编码； 使用用户初始编码对用户进行聚类， 并计算用户间初始编码相似度， 根据相似度获得 历史轨迹相似人群。 4.根据权利要求3所述的方法， 其特征在于， 所述对所有用户截取部分历史轨迹进行编 码， 作为用户初始编码， 包括： 确定一个 固定长度作为历史轨迹编码时所使用的历史轨迹长度， 设置一个长度为该固 定长度的LSTM网络， 并在数据集中随机抽取多段该长度的轨迹段， 使用这些轨迹段对LSTM 进行训练； 对每个用户， 取前相等长度的时间片的轨迹数据作为用户的初始编码轨迹段， 并将初 始编码轨迹段输入训练完成的LSTM序列中， 将轨迹点按顺序依次输入， 其中每个LSTM单元 的输出监督数据为下一个轨迹点的向量； 用户的初始编 码即为用户的初始编码轨迹段输入 LSTM序列后， 最后一个单 元输出的隐状态。 5.根据权利要求3所述的方法， 其特征在于， 所述使用用户初始编码对用户进行聚类， 并计算用户间初始编码相似度， 根据相似度获得历史轨 迹相似人群， 包括： 在初始时刻采用获取的初始编码作为判断用户间历史轨迹相似度的依据， 采用余弦相 似度计算两两用户编码的相似度， 作为用户对历史轨迹的相似度； 对于获取 的历史轨迹相 似度， 取一个阈值， 当某对用户相似度大于阈值时， 认为该对用户互为历史轨迹相似的用 户； 在实际预测过程中选择合适的时间间隔， 每隔一段时间对历史轨迹相似情况进行一次 更新。 6.根据权利要求1所述的方法， 其特征在于， 所述基于轨迹关系图中用户间的关系， 利 用融入注意力机制的轨迹预测模型对目标用户的未来轨迹进 行预测， 包括轨迹独立序列预 测和关系融合预测： 在轨迹独立序列预测中， 将单人作为一个序列， 每个目标用户的轨迹按窗口分割成片 段， 每个片段构成一条单独的数据， 然后构建LSTM网络， 将轨迹数据输入LSTM序列中， 完成 每条数据的训练和预测； 每个LSTM单元的输入为轨迹段当前时间片的位置点、 LSTM序列中 上一个单元的 隐状态、 与用户具有两种相似关系的用户轨迹LSTM序列中上一个时刻的 隐状 态； LSTM单 元的输出为该 单元的隐状态， 以及一个预测出的位置向量；权　利　要　求　书 1/2 页 2 CN 114461931 A 2在关系融合预测中， 对LSTM的更新公式进行调整， 利用轨迹关系图中的关系来对LSTM 进行更新和预测。 7.根据权利要求6所述的方法， 其特征在于， 所述利用轨迹关系图中的关系来对LSTM进 行更新和预测， 包括： 其中， 表示第n个用户的LSTM序列在t ‑1时刻的隐状态， H(t‑1)表示所有用户的LSTM 序列在第t ‑1时刻的隐状态； 其中， Sim(t)表示在t时刻两 两用户间LSTM隐状态的相似度， N orm表示L2范数； 其中， A(t)表示所有与当前用户具有相似关系的用户的隐状态的加权平均值； 为掩码矩阵， 是一个中间值， 只保留具有相似关系用户间隐状态的相似度， 将不具有相似关 系用户的相似度置为0； 利用该公式将 与H(t‑1)作乘运算， 对于每个用户， 得到所有 与该用户具有相似关系用户的隐状态加权平均值； 使用获得的输出值H(t)更新LSTM。 8.一种采用权利要求1～7中任一权利要求所述方法的基于多关系融合分析的用户轨 迹预测系统， 其特 征在于， 包括： 轨迹关系图构建模块， 用于根据用户的历史轨迹相似关系和位置邻近关系， 构建轨迹 关系图； 轨迹预测模块， 用于基于轨迹关系图中用户间的关系， 利用融入注意力机制的轨迹预 测模型对目标用户的未来轨 迹进行预测。 9.一种电子装置， 其特征在于， 包括存储器和 处理器， 所述存储器存储计算机程序， 所 述计算机程序被配置为由所述处理器执行， 所述计算机程序包括用于执行权利要求 1～7中 任一权利要求所述方法的指令 。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机程 序， 所述计算机程序被 计算机执 行时， 实现权利要求1～7中任一权利要求所述的方法。权　利　要　求　书 2/2 页 3 CN 114461931 A 3