刘 婕，张 磊，朱少杰，刘佰龙，张雪飞

(1.中国矿业大学矿山数字化教育部工程研究中心，江苏 徐州 221116； 2.中国矿业大学计算机学院，江苏 徐州 221116；3.内蒙古广纳信息科技有限公司，内蒙古 乌海 016000)

1 引言

随着移动互联网的发展和智能终端的普及，众多社交媒体网站(如Twitter、Sina和Instagram等)每天产生数以亿计的多模态语义轨迹数据。而多模态语义轨迹中存在时间依赖、空间依赖和活动依赖等多种依赖关系。空间依赖是指用户在访问下一位置时通常会考虑自身与目标场所的距离。时间依赖体现在用户对所处时段的敏感性，即用户在不同时段对访问兴趣点类型的偏好不同。活动依赖则是指用户即将进行的活动类型可由用户之前的活动序列推测得到，并且用户已完成的活动类型在同一轨迹序列中再次出现的概率较低。这些依赖关系相互联系紧密又具有复杂性，并且在轨迹预测中起到很重要的作用，准确分析和量化这些依赖关系能够有效提升预测的准确率。

传统的轨迹预测方法，如基于马尔可夫[1,2]、矩阵分解[3]等方法，并不能很好地解决轨迹中的长期依赖问题。深度学习方法是处理长期依赖的有效方法。ST-RNN(SpatioTemporal Recurrent Neural Network)[4]联合时空规律和循环神经网络建模来处理时序关系。采用长短时记忆LSTM(Long Short-Term Memory)网络[5，6]，通过时间步参数共享和门机制解决轨迹中的长期依赖。卷积神经网络可以有效抽取轨迹的空间特征[7,8]。但是，这些方法没有考虑或单纯考虑时间和空间模态特征，忽略了轨迹的丰富语义特征。……