第十周学习进度总结

第十周学习进度总结

用户位置预测总结

用户移动性综合分析

刻画用户的移动行为的特征有很多种，其中最常用的移动频率，移动距离和移动方向这三个特征。通过对这三个特征的分析，就可以得到用户的移动范围和移动强度，对用户移动性的研究具有重要的意义。

移动频率分析

移动频率是指用户在单位时间内发生移动的次数，一次移动即用户的位置相对于上一位置发生了改变。移动频率越大说明用户的移动强度越高。通过研究移动频率与时间关系的对应关系模型可以推断出整体的移动用户的通勤规律，得到用户移动强弱的时段，便Ｔ合理的规划出行安排和有效的进行交通管理。
移动距离分析
除了移动频率之外，移动距离是衡量移动性的另外一个重要的指标。移动距离是指用户在一天中发生所有位移的总和。移动距离显示了用户的移动强度与移动范围。
假设用户u—天的移动轨迹为

移动方向分析

用户的移动方向反应了用户的移动朝向，通常用户的移动方向带有目的性，通过大量用户移动方向的研究，可以得到特定时段用户移动方向的群体性特点，针对用户移动方向的集中程度，可以对城市资源合理布局和规划。

用户轨迹建模

移动用户的轨迹数据作为移动对象的历史活动数据，在某种程度上体现了移动对象的属性，状态，行为，爱好等方面的特征。通过对用户的移动轨迹建模，可以了解移动用户的流动性及运动规律，揭示潜在的运动模式。

轨迹的定义

所谓轨迹，简单来说就是指用户连续时间的移动路径的集合。为了对用户轨迹进行建模，本文给出以下关于轨迹的定义。
（轨迹）假设一个用户ｗ在一天之内发生了N次移动，在ti时刻
时的位置为loci，其中i＝0,1,2,…，则该用户的轨迹（Trajectory）可以定义为

异常：

乒乓效应：由于基站的信号和容量的原因，如果用户同时处于两个基站的覆盖范围内，或者两个基站的信号强度在短时间内发生剧烈变化，导致用户的连接状态频繁发生切换。
定位漂移：由于基站切换是在瞬间完成的，切换的速度很快，超过了人类正常的移动速度，因此将移动速度过快的位置切换视为异常位置记录。

停留区域选取

停留点和移动点反映了用户的运动状态和属性，是衡量用户移动行为的重要特征。
对于用户u的轨迹：

停止点
停止点是一类轨迹点，这类轨迹点是用户在某一位置区域内进行了一段时间的逗留时留下的。本文利用设定距离和时间两种阈值，发掘 GPS 轨迹中的停止点。

基于马尔可夫模型的用户位置预测

马尔可夫链是一种无记忆的离散随机过程，它的下一个状态只与当前状态有关，而与之前的状态无关。这个性质叫做马尔可夫性，也叫无后效性。马尔可夫模型可以较好的表示时序数据，所以可以用于位置建模和预测领域中，并且己经被证明符合移动规律，且预测准确率较高。
假设一个具有马尔可夫性质的离散随机变量X1,X2,X3,…如果对任意的正整数n有以下等式成立

其中齐次马尔可夫链的n步转移概率矩阵是一步转移概率矩阵的n次乘方。

基于加权马尔可夫的位置预测
加权马尔可夫模型是一种混合的马尔可夫模型，它利用各阶马尔可夫模型对预测结果的影响作为权重，然后对各阶进行加权求和。加权马尔可夫模型综合考虑了各状态的影响，依据距离预测时刻最近的Ａ：个状态共同确定预测时刻的状态，将各步长之间的强弱关系作为权重，因此可以充分提高预测的准确性。
使用加权马尔可夫模型预测的具体步骤为：
第一步，计算各阶权重系数
假设有N个用户轨迹，建立一步转移概率矩阵，由公式（５-６）可以得到２到Ａ步转移概率矩阵。用每个模型分别对这N个轨迹进行预测，得到每一步的预测错误数En，En表示为：

其中，S1, S2,…, Sk表示用户轨迹中最后的k个区域，PS1,m(1)表示用户由区域S1经过１步移动到区域m的转移概率，PS1,m(2)表示用户由区域S2经过２步移动到区域ｍ的转移概率，依此类推。W1,w2,…,wk分别代表各步的权重，即对预测结果的影响强度。Pm表示用户下一时刻移动到的区域ｍ的可能性。
第四步，用户下一时刻移动到的区域即为使转移概率最大的位置。

其中，Rp表示预测的下一时刻的位置，E是状态空间集合。
第五步，将此预测位置加入到原序列中，重复上述步骤，便可进行之后位置的预测。

上述模型通过加权马尔科夫模型计算出用户在下一时刻连接某一基站的概率来预测用户未来的行动位置，即根据用户顺次连接基站的情况来代替用户移动路径，不可避免会有误差，但是可以根据该模型预测未来某一时刻基站接入用户数量。

基于深度学习对行驶车辆位置预测

本文提出算法的核心主要涉及到两个主要特征学习模块，多层卷积神经网络模块和深度双向长短期记忆网络模块。这两个模块的功能各异，优势互补，通过这两个模块的互相契合，完成了轨迹模式的挖掘，充分学习到了轨迹各个特征的规律。
首先使用嵌入层把车辆轨迹中相关的时间、方向转换为嵌入空间中的特征向量。例如， 一个轨迹序列可以被这样处理，如公式(4.7)所示：

深度双向 LSTM 模块

在本节中， 我们介绍基于长短期记忆网络的算法模块， 使用深度双向长短期记忆网络(Deep Bidirectional LSTM, BiLSTM)继续对经过卷积神经网络处理过的轨迹新特征，已知的近期状态（相对未来）和长期状态（相对过去） 进行处理编码。
首先我们需要还原轨迹序列不固长的属性，通过设置屏蔽层可以完成我们的要求，其功能可以去除在模型初始化时候的车辆轨迹序列中的填充值，使其符合车辆轨迹原有的变长序列。相比于传统神经网络， LSTM 多了一个存储记忆的“细胞核”和一个遗忘门，通过这样的结构来完成对上下文的分析，学习到序列的时序依赖信息，即轨迹的语义特征。
LSTM 网络的基本神经元结构：

LSTM 由一组循环连接的记忆块组成，每个块由一个或多个自连接的记忆单元和三个门结构组成（即输入门，遗忘门，输出门），这三个门设计的目的就是利用非线性的求和单元获取长期的上下文信息。在本文中，使用常见的窥视孔连接(peephole connections) LSTM，数学表达如下所示：

其中， xt 表示输入向量， σ、 tanh 和  在介绍图 4-8 中已说明。 i、f、o和c分别代表了输入门、遗忘门、 输出门和记忆单元 CELL，其中他们的输入输出向量大小与 LSTM 隐藏层输出的向量大小相同。 W 代表了两个结构之间的权值矩阵， 如Wxi 表示输入向量与输入门之间的权值矩阵。



图 4-9 中介绍了本模块的体系结构，每一个双向长短期记忆网络单元(Bidirectional-LSTM)都由一个前向 LSTM 和一个后向 LSTM 组成。给定一个输入向量，前向 LSTM 按照从左到右的顺序处理它，但后向 LSTM 以相反的顺序处理，并且两个 LSTMs 拥有不同的参数。显然， Bidirectional-LSTM 在处理序列的长期和近期情境信息上比单独的LSTM 表现优异。本模块使用深度双向 LSTM 网络，通过前后双向反馈以达到对车辆轨迹时序规律充分学习的目的，获得最终的位置向量特征。

总结分析：

通过对用户历史移动轨迹建立合适的数学模型来预测用户下一时刻的位置，其中历史轨迹里包含的信息有：时间段、停留点、行进方向等。这些都可以作为预测模型的输入参数。而要获取某用户的历史轨迹，论文中大多利用用户自身携带的GPS定位或是移动终端接入基站的位置信息来确定用户移动轨迹。根据用户行动历史轨迹可以得到一个有关时间的路径序列，对该序列进行分析整理便可以同其他相关信息一起输入至模型用以分析移动用户下一位置。这里的相关信息可以是天气状况、时间段、用户兴趣等。
对于位置预测的数学模型有很多，用的最多且准确率相对较高的是马尔科夫模型以及马尔科夫模型的变形。通过用户历史状态建立转移概率矩阵可以得到用户未来移动方位的概率继而得到用户概率最大的移动方位。而通过对马尔科夫模型进行变形能够突出用户选择移动路径的特点，进而提高预测的准确性。另一种用的比较多的模型是机器学习里的循环神经网络模型。上面提过，对于用户位置预测的过程是与用户历史移动有很大关联的，循环神经网络在处理序列预测方面表现出优越的性能。上面论文所用到的模型是循环神经网络的变形——深度双向长短期记忆网络（LSTM）。它对已知的近期状态（相对未来）和长期状态（相对过去） 进行处理编码。通过构建多层模型，可以学习输入特征与输出标签（即候选的下一位置）之间的依赖关系。最终得到用户未来的移动位置。但是对于无人机目标跟踪则以上两个预测模型有几个问题需要考虑：
1、不论是马尔科夫模型还是神经网络模型亦或是其他模型，他们都需要一定量的用户历史状态信息，同时也需要该用户丰富的行为模式信息，这可能是一个长期的过程。
2、机器学习能够同时处理大量的用户信息，但是同时意味着模型训练时间的提高，并且模型复杂度和预测准确率、程序运行时间和预测效率之间要有折中。
通过对每个的位置进行预测，进而实现对区域人流变化的预测，是位置预测系统的目标。如果能够对大量用户的位置预测后进行统计合并，便可以得到一定区域范围的人数变化情况。既然能够预测到直接预测某个时间段内该区域范围拥有通信需求的用户数量变化，就能够大致预测出该区域需要无人机进行辅助通信的概率。我们可以通过对用户位置预测，进而得到大量用户的聚集范围信息，通过分析该范围固定基站的通信状况得到无人机对该区域进行辅助通信的移动方位。

无人机辅助通信位置预测流程图：

参考文献
[1]崔家祥. 基于移动通信数据的用户移动行为分析与位置预测[D].北京邮电大学,2018.
[2]郭磊. 基于深度学习的位置预测算法研究与应用[D].兰州大学,2018.
[3]乔岩磊. 基于GPS轨迹数据的位置预测与推荐算法研究[D].北京工业大学,2017.