近年來,移動互聯(lián)網(wǎng)的飛速發(fā)展和全球定位系統(tǒng)的廣泛使用產(chǎn)生了大量基于位置的應(yīng)用服務(wù),使得人與人之間的信息交互變得更加頻繁和多樣化。這些應(yīng)用為用戶提供了前所未有的機會,可以讓他們分享個人經(jīng)驗和有趣地點,與志趣相投的人交朋友,以及加入拼車服務(wù)等。例如,基于位置的應(yīng)用程序(如微信,Twitter和微博)通常會收集用戶留下的大量足跡(簽到)、社交好友等數(shù)據(jù),而這些數(shù)據(jù)可以進一步產(chǎn)生有價值的信息,例如個人軌跡和個人社會關(guān)系。盡管這些信息來自虛擬世界,即互聯(lián)網(wǎng),但這卻是現(xiàn)實世界中人類活動的客觀反映。當前,學習人群軌跡已引起研究人員和從業(yè)者的關(guān)注,并提出了各種基于軌跡學習的優(yōu)異模型來捕獲人類時空信息。但是,已有工作在軌跡學習過程中仍然面臨一些關(guān)鍵挑戰(zhàn):首先,人員流動的多樣性顯示出了用戶不同的移動方式、位置偏愛和時間偏好等方面的差異;其次,數(shù)據(jù)稀疏性(例如簽到數(shù)據(jù)的稀疏性)導(dǎo)致潛在特征表征不充分,以及難以獲得個人偏好;此外,軌跡的語義復(fù)雜性也需要在軌跡建模中得到解決。最近具有強大泛化能力和特征提取能力的深度學習技術(shù)在自然語言處理和圖像處理等諸多領(lǐng)域都取得了巨大的成功。因此,它為我們提供了一種新的視角來解...

【文章頁數(shù)】：130 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 問題切入與研究思路
    1.3 國內(nèi)外研究現(xiàn)狀分析
    1.4 本文主要貢獻與創(chuàng)新
    1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)理論基礎(chǔ)
    2.1 表示學習
    2.2 序列信息表征學習
    2.3 深度生成模型學習
    2.4 本章小結(jié)
第三章 基于軌跡嵌入的人群移動性識別
    3.1 人群移動性識別
    3.2 相關(guān)研究
    3.3 TUL問題定義
    3.4 TULER模型描述
        3.4.1 概述
        3.4.2 軌跡預(yù)處理
        3.4.3 軌跡表征
        3.4.4 軌跡-用戶鏈接
        3.4.5 優(yōu)化手段
    3.5 實驗驗證與分析
        3.5.1 數(shù)據(jù)準備
        3.5.2 實驗準備
        3.5.3 實驗結(jié)果分析
    3.6 本章小結(jié)
第四章 基于變分注意力的下一個興趣點預(yù)測
    4.1 下一個興趣點預(yù)測
    4.2 相關(guān)研究
    4.3 問題定義
    4.4 VANext模型描述
        4.4.1 概述
        4.4.2 因果POI嵌入
        4.4.3 近期軌跡學習模塊
        4.4.4 歷史軌跡學習模塊
        4.4.5 模型優(yōu)化
    4.5 實驗驗證與分析
        4.5.1 數(shù)據(jù)準備
        4.5.2 實驗準備
        4.5.3 結(jié)果分析
    4.6 本章小結(jié)
第五章 基于人群移動性對抗學習的出行推薦
    5.1 出行推薦分析
    5.2 相關(guān)研究
    5.3 出行推薦問題定義
    5.4 出行推薦方案
        5.4.1 DeepTrip概述
        5.4.2 出行編碼器設(shè)計
        5.4.3 出行解碼器設(shè)計
        5.4.4 對抗網(wǎng)絡(luò)設(shè)計
    5.5 算法分析
        5.5.1 理論推導(dǎo)
        5.5.2 訓練算法流程
        5.5.3 推薦流程
    5.6 實驗分析與驗證
        5.6.1 數(shù)據(jù)準備
        5.6.2 實驗準備
        5.6.3 結(jié)果分析
    5.7 本章小結(jié)
第六章 基于軌跡的社交圈推理
    6.1 問題描述
    6.2 TSCI相關(guān)研究
    6.3 問題定義
    6.4 Deep TSCI方案描述
        6.4.1 軌跡預(yù)處理
        6.4.2 DeepTSCI框架
        6.4.3 訓練手段
    6.5 實驗驗證與分析
        6.5.1 數(shù)據(jù)準備
        6.5.2 實驗準備
        6.5.3 結(jié)果分析
        6.5.4 魯棒性分析
    6.6 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 后續(xù)工作展望
致謝
參考文獻
攻讀博士學位期間取得的成果



本文編號：3842599