基于深度表示模型的移动模式挖掘.pptVIP

* 基于深度表示模型的移动模式挖掘 陈勐 禹晓辉 刘洋 位置数据 签到数据（Gowalla、街旁） 车辆通行数据 用户、位置和时间 时空轨迹 把同一用户在连续时间内的所有空间位置收集起来，可以得到一条时空轨迹 引言 引言 研究目标 从轨迹数据中发现人们的隐含移动模式 通过用户的时空轨迹推测其当前的意图，如工作、购物或用餐 研究难点 用户移动模式被认为是隐含在用户轨迹中的 例如，两条轨迹“家→家乐福超市→新世纪电影院”和“家→沃尔玛超市→鲁信影城” 不同时间段人们的移动模式往往不同 例如，早上8点：“家→工作”；晚上：“家→购物” 用户轨迹深度表示模型 时间位置序列构造 位置序列更适合用来理解用户的移动模式 比如，“家→公司”表示上班，“公司→家”表示下班，而对于单纯的“公司”，很难理解用户移动模式 时间位置序列为包含时间的两个相邻位置点 首先将轨迹表示成1 阶位置序列集合，然后将一天的时间划分成一系列时间块，使每个位置序列属于一个特定时间块，例如假设2 小时为1 个时间块，那么将会有24 个时间块，其中工作日12 个，周末12 个。 用户轨迹深度表示模型 用户轨迹深度表示模型 实验 数据集 本研究从Gowalla 上搜集了美国加利福尼亚州人们从2009 年10 月到2010 年9月的签到记录，数据集包含16,550 名用户在114,162 个兴趣点的732,744 条签到记录。 这里将一天的时间平均划分成12 个时间段（其中1表示0 点到2 点，23 表示22 点到0 点），并统计这一年来用户在工作日和周末的每个时间段的平均每天签到次数。 实验 应用：用户移动模式发现 K-means 对时间位置序列进行聚类 爬取距离簇中心比较近的少量位置点的语义标签(Foursquare) 为每个簇定义关联的语义信息，显式地标记时间位置序列中所隐含的用户移动模式 结论 基于轨迹的特点提出了时间位置序列。作为描述轨迹特征的基本单位，它能够同时考虑到位置转移和不同粒度的时间因素。 首次基于word2vec提出深度表示模型来对轨迹建模，并为时间位置序列训练特征向量。 时间位置序列向量可以应用到很多任务中，如用户移动模式发现。 WE ARE JUST ON THE WAY THANK YOU. 陈勐 Meng Chen chenmeng114@ * * *