CN115510333B 一种基于时空感知并结合局部和全局偏好的poi预测方法 （重庆大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115510333B(45)授权公告日2025.07.08

(21)申请号202211176462.X

(22)申请日2022.09.26

(65)同一申请的已公布的文献号申请公布号CN115510333A

(43)申请公布日2022.12.23

(73)专利权人重庆大学

地址400044重庆市沙坪坝区沙正街174号

(72)发明人曾骏赵翊竹朱泓宇高旻周魏文俊浩

(74)专利代理机构重庆晟轩知识产权代理事务所(普通合伙)50238

专利代理师王海凤

(51)Int.CI.

GO6F16/9536(2019.01)

GO6F16/9537(2019.01)

(56)对比文件

CN111400620A,2020.07.10CN113268669A,2021.08.17审查员卜婷婷

权利要求书4页说明书12页附图4页

(54)发明名称

一种基于时空感知并结合局部和全局偏好的POI预测方法

(57)摘要

CN115510333B本发明涉及一种基于时空感知并结合局部和全局偏好的POI预测方法，包括如下步骤：S1:选用公开签入POIs数据集作为训练集，该训练集包括用户历史POI轨迹序列；S2:构建POI预测模型LGSA,LGSA包括局部特征模块、全局特征模块和特征融合模块；S3:利用局部特征模块和全局特征模块计算用户历史POI轨迹序列的Loc和Glo;S4:设置初始权重系数α,使用特征融合模块将Loc和Glo进行结合得到总偏好特征C?;S5:利用总偏好特征C预测得到用户的下一个兴趣点。使用本发明模型可以进一步提高对

CN115510333B

合

合建

全局特征模块

注意力

正向前馈网络

连接屋和维性层

多头注意力机制

8A8.

序列将证

时间周期特征

局部特征横块

CN115510333B权利要求书1/4页

2

1.一种基于时空感知并结合局部和全局偏好的POI预测方法，其特征在于：包括如下步

骤：

S100:选用公开签入POIs数据集作为训练集0,该训练集0包括用户历史POI轨迹序列，每个用户的历史POI轨迹序列表示为Su={Vt?,Vt?,…,Vts},Vts表示用户在t时刻所处的兴趣点；

所述用户历史POI轨迹按时间顺序排列，所述用户历史POI轨迹序列包括用户标签、时间标签、地点标签和地点标签对应的经纬度；

S200:构建POI预测模型LGSA,LGSA包括局部特征模块、全局特征模块和特征融合模块；S300:从训练集0中随机选取一个用户历史POI轨迹序列，计算该用户历史POI轨迹序列

的局部特征向量表示和全局特征向量表示：

S310:将该用户历史POI轨迹序列作为输入，使用局部特征模块计算该用户在时空区域

上的局部特征向量表示Loc,表达式如下：

;(1)

其中，T表示矩阵转置，avg(·)表示平均函数，tanh(·)表示激活函数，At1表示注意力

分数矩阵，示细粒度子序列的子序列特征；

S320:将该用户历史POI轨迹序列作为输入，使用全局特征模块计算该用户在以周为时

间单位上的全局特征向量表示Glo,表达式如下：

Glo?=LN(A2+Dorpout(PFFN(A));(2)

其中，A表示特征经过多头注意力后的输出，LN(·)表示神经网络中的层归一化，Dropout(·)表示防止模型过拟合而采用的方法，PFFN(·)表示正向前馈网络；

S400:设置初始权重系数a,使用特征融合模块将Loc和G1o,进行结合，通过加权求和将

局部特征与全局特征进行融合得到该用户的总偏好特征C,具体表达式如下：

;(3)

其中，α是表示权重系数，α∈[0,1];

S500:利用总偏好特征C计算该用户的预测POI,具体步骤如下：

S510:计算该用户的预测POI表示向量P,,表达式如下：

;(4)

其中，vt表示轨迹序列中的地点表示特征，d表示特征维度，t表示时间，Co表示用户时空区域中地点间的特征关系，Co的计算表达式如下：

;(5)

其中，表示时空区域的子序列表示向量，W是可学习的参数；

S520:通过索引映射将P映射到POI的地点标签，得到该用户的预测POI;所述索引映射为一个POI地点标签对应一个POI表示向量，两者为一一对应关系；

S600:利用该用