张书钦 王金洋 白光耀 张敏智

摘  要：在位置预测研究中，历史轨迹通常呈现分布稀疏和结构单一的特点，导致预测模型准确率下降。针对此问题，利用用户属性特征和历史轨迹特征度量用户相似性，对相似用户进行分簇;并提出基于相似用户簇的LSTM神经网络预测模型SG-LSTM（Similar Group based LSTM model），以改善轨迹数据的稀疏性问题。实验表明，模型能够较好地捕捉用户的移动规律，预测准确率超过87.90%，在准确率和时间复杂度方面均优于传统模型。

关键词：稀疏时空数据;用户相似性;LSTM;位置预测

中图分类号：TN92       文献标识码：A 文章编号：2096-4706（2020）24-0164-05

Location Prediction Based on Wi-Fi Spatiotemporal Data

ZHANG Shuqin，WANG Jinyang，BAI Guangyao，ZHANG Minzhi

（School of Computer Science，Zhongyuan University of Technology，Zhengzhou  450007，China）

Abstract：In the research of location prediction，historical trajectories usually show the characteristics of sparse distribution and single structure，which leads to a decline in the accuracy of the prediction model. To solve this problem，the similarity of users is measured by using user attribute characteristics and historical track characteristics，and similar users are clustered;and proposes similar user cluster based LSTM neural network prediction model SG-LSTM（Similar Group based LSTM model）to improve the sparsity of trajectory data. The experimental results show that the model can better capture the users movement rule，and the prediction accuracy is more than 87.90%，which is better than the traditional model in terms of accuracy and time complexity.

Keywords：sparse spatiotemporal data;user similarity;LSTM;location prediction

0  引  言

隨着5G通信技术的发展及智能设备的普及，人们得以获取大规模的时空数据，基于海量时空数据的人类移动性预测受到人们的广泛关注[1-3]。在公共服务方面，轨迹预测可应用于交通管理[4]、公共安全预警[5]等，以提升公共设施的服务效率;在个人服务方面，也可用于个性化推荐[6]、智能导航等，以提升用户体验。随着此类基于个性化服务的应用激增，从人们的历史轨迹中挖掘移动模式，并预测未来去向已成为一种迫切的需要。

目前，基于时空数据的位置预测研究面临以下问题：

（1）时空数据稀疏性。可获取的时空数据大多是低采样的，在采集过程中由于数据丢失或者用户拒绝分享位置信息导致采集的用户历史轨迹数据较为稀疏。

（2）时空数据单一性。人类移动具有规律性，通常每天只访问固定的几个位置，因此在低采样的情况下，用户的历史轨迹包含的位置点比较单一。……