(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110385031.3 (22)申请日 2021.04.09 (65)同一申请的已公布的文献号 申请公布号 CN 113111581 A (43)申请公布日 2021.07.13 (73)专利权人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 尚凤军　鲁琪　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 卢胜斌 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/00(2012.01) (56)对比文件 CN 112270349 A,2021.01.26 CN 110928993 A,2020.0 3.27 CN 10719401 1 A,2017.09.2 2CN 10468025 0 A,2015.0 6.03 CN 112382094 A,2021.02.19 CN 109062962 A,2018.12.21 CN 10752 9651 A,2018.01.02 CN 110503073 A,2019.1 1.26 CN 110929841 A,2020.0 3.27 CN 111274901 A,2020.0 6.12 US 202026 5291 A1,2020.08.20 CN 108829766 A,2018.1 1.16 CN 110147892 A,2019.08.20 Pengpeng Zhao.Where to Go Next: A Spatio-Temporal Gated Netw ork for Next POI Recom mendation. 《IEEE Transacti ons on Knowledge and Data Engi neering》 .2020,第1- 13页. (续) 审查员 陈玲 (54)发明名称 结合时空因素和基于图神经网络的LSTM轨 迹预测方法 (57)摘要 本发明涉及时空轨迹预测技术领域， 具体涉 及一种结合时空因素和基于图神经网络的LSTM 轨迹预测方法， 获取用户的签到数据； 数据预处 理： 根据用户的平均签到数量和社交关系情况进 行筛选； 划分位置域， 并采用聚类方法将同一位 置域的用户赋 予相同的位置标签； 将时空因素引 入门控机制， 采用长短时记忆神经网络LSTM和历 史轨迹序列学习用户的移动习惯， 建立个人移动 轨迹模型； 将时间序列输入个人移动轨迹模型中 预测用户未来某 个时间段的出行轨迹； 采用基于 图神经网络的位置语义推断方法推断出行轨迹 预测结果中的位置语义类别。 本发 明针对基于位置的社交网络产生的签到数据的稀 疏性， 结合文 本内容进行位置发现和提取， 扩展位置数量， 提 高预测准确率。 [转续页] 权利要求书2页 说明书7页 附图2页 CN 113111581 B 2022.03.11 CN 113111581 B (56)对比文件 Junbo Zhang.Fl ow Predicti on in Spatio-Temporal Netw orks Based o n Multitask De ep Learn ing. 《IEEE Transacti ons on Knowledge and Data Engineering》 .2015,第14卷(第8 期),第1-1 1页. ZHIXIANG H E.STANN: A Spati o–Temporal Attentive Neural Netw ork for Traf fic Predicti on. 《IEEE Access》 .2018,第4795 -4806 页. 吴睿智.基 于图卷积神经网络的位置 语义推 断. 《电子科技大 学学报》 .2020,第49卷(第5期), 第739-74 4页. Basmah Altaf.Spati o-Temporal Attention based Recur rent Neural Netw ork for Next L ocation Predicti on. 《2018 IE EE Internati onal Conference o n big data》 .2019,全 文. 张皓.三次简化 一张图： 一招理解 LSTM/GRU 门控机制. 《ht tps://zhuanlan.zhihu.com/p/ 28297161》 .2020,全 文. 人工智能遇见磐创.TensorFl ow系列专题 （十） ： 门控循环神经网络LSTM与GRU. 《ht tps:// www.jianshu.com/p/ 320c6899a229》 .2018,全 文. 杨任农.基 于Bi-LSTM的无 人机轨迹预测模 型及仿真. 《航空工程进 展》 .2020,第1 1卷(第1 期),第77-84页. 郭旦怀.融合深度学习技 术的用户兴趣点推 荐研究综述. 《武汉大 学学报.信息科 学版》 .2020,第45卷(第12期),第1890 -1902页.2/2 页 2[接上页] CN 113111581 B1.一种结合时空因素和基于图神经网络的LSTM轨迹预测方法， 其特征在于， 包括以下 步骤： S1、 获取用户的签到数据， 包括用户在社交网站的发表内容、 发表内容的时间以及发表 内容时分享的位置信息； S2、 数据预处理： 根据用户的平均签到数量和社交关系情况进行筛选， 保留签到数量大 于5的用户和朋友数量大于5的用户； 选取每个用户访问频率最高的3个访问位置， 使用3个 位置的平均经纬度作为用户的地理坐标； 划分位置域， 并采用聚类方法将同一位置域的用 户赋予相同的位置标签； S3、 将时空因素引 入门控机制， 采用长短时记忆神经网络LSTM和历史轨迹序列学习用 户的移动习惯， 建立个人移动轨 迹模型； S4、 将时间序列输入个人移动轨迹模型中， 得到用户未来某个时间段的出行轨迹预测 结果； S5、 采用基于图神经网络的位置语义推断方法推断出行轨迹预测结果中的位置语义类 别。 2.根据权利要求1所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法， 其特征在于， 个人移动轨迹模型为结合时空因素的LSTM模型， 包括分别加入时空因素的输 入门、 遗忘门、 输出门以及一个决定当前时刻细胞状态的细胞， 输入门、 遗忘门和输出门控 制着流经细胞的信息流， 其中输入门i决定是否输入数据， 遗忘门f决定是否遗忘历史， 输出 门o决定是否产生当前状态， 各个部分的计算公式如下： ft＝σf(wxfxt+whfht‑1+wcf☉ct‑1+bf) it＝σi(wxiXt+whiht‑1+wci☉ct‑1+bi) ct＝ft☉ct‑1+it☉tanh(wxcXt+whcht‑1+bc) ot＝σo(wxoXt+whoht‑1+wco☉ct+bo) ht＝ot☉tanh(ct+b) 其中， it、 ft、 ot、 ct、 ht分别代表输入门、 遗忘门、 输出门、 细胞状态和隐藏状态， 每个控制 门中都有一个激活函 数σ， 默认为sigmod函 数， 其中σf表示遗忘门的激活函数， σi表示输入门 的激活函数， σ o表示输出门的激活函数， it、 ft、 ot、 ct这些向量的大小与隐藏状态ht相同， 每 个矩阵权重w的下标代表从一个状态到另一个状态， 其中wxf表示从输入门到遗忘门的权重 矩阵， wcf表示从细胞状态到遗忘门的权重矩阵， b为各个门的偏 置， 其中bi为输入门的偏 置， bf为遗忘门的偏置， Xt表示t时刻的向量输入， t为时间参数。 3.根据权利要求1所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法， 其特征在于， 个人移动轨迹模型在LSTM模型的基础上添加一个时空门， 时空门用于存储时 间间隔以及空间距离间隔到每个时刻的细胞状态， 将时间和空间影响作为内隐信息来指导 门机制的学习， 进 而学习行为之间的时空隐含关系。 4.根据权利要求3所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法， 其特征在于， 时空门主要由三个部分组成， 除了输入门xt， 增加了时间间隔 △tt和空间间隔 △st这两个输入特征， 并分别与时间差权重w△t(st)和距离差权重w△s(st)两个权重相乘， 时空 门的表达式包括： stt＝σst(wx(st)+w△t(st)Δtt+w△s(st)Δst+b(st))权　利　要　求　书 1/2 页 2 CN 113111581 B 3