Backward Path Growth for Efficient Mobile Sequential Recommendation 论文阅读(待更新）

摘要

流动顺序建议的问题是为的士司机建议一条连接一套接驳点的路线，使他/她更有可能以较低的车费接载乘客。本质上，这个问题的一个关键挑战是它的高计算复杂度。本文提出了一种基于动态规划的移动顺序推荐问题求解方法，该方法由两个独立阶段组成：离线预处理阶段和在线搜索阶段。离线阶段预计算一组拾取点的潜在候选序列。根据代价函数的迭代特性，提出了一种反向增量序列生成算法。同时，在序列生成过程中采用增量剪枝策略，有效地减少了潜在序列的搜索空间。此外，还进一步将批量剪枝算法应用于生成的势序列，以去除给定长度的一些非最优序列。由于剪枝效果随着序列长度的增加而不断提高，在线阶段，我们的方法可以在剩余的候选序列中有效地找到卸载出租车的最优驾驶路线。此外，我们的方法还可以处理具有最大巡航距离或目标约束的最优路径搜索问题。在实际数据集和综合数据集上的实验结果表明，该方法的剪枝能力和效率均优于现有的方法。因此，我们的技术可以有效地解决移动顺序推荐的问题，在实际应用中有许多拾取点。

1、介绍

随着无线传感器和诸如GPS、Wi-Fi、蓝牙和RFID等信息基础设施的广泛利用，我们可以容易地获取大量移动对象的位置跟踪数据。从这些轨迹数据中找到有用的知识将为相关应用程序中的实时决策和智能服务提供有力的支持[1]。降低出租车续航时间的问题是典型的示例[2]，[3]。在道路上行驶的无负荷滑行车不仅导致燃料浪费和时间，而且可能导致交通拥挤。然而，在那些高产量出租车司机的出租车轨迹中存在许多拾取热点，这可以被有效地利用来引导新的驾驶员以更经济和节能的方式拾取乘客。因此，高效的移动模式挖掘和推荐算法可以显著提高业务性能并降低能耗。这一问题具有相当的理论意义和实用价值[3]，[4]。

在以前的研究中，GE等人提出了一个新的移动顺序推荐(MSR)[2]问题，即建议一条连接空车的一系列接入点的路线，这样司机就更有可能从他目前的位置出发，以较低的旅行成本得到乘客。这是一项具有挑战性的任务，因为我们需要枚举和比较从给定的一组拾取点派生出的所有可能的路由，这涉及到相当高的计算复杂度。为了解决MSR问题，他们提出了一个潜在旅行距离(PTD)的函数来评估一条行车路线的成本。从本质上讲，建议路线的PTD值是空载出租车在沿路线行驶时成功地获得新乘客之前巡航距离的期望。为了降低计算量，文[2]根据PTD函数的单调性，提出了两种有效的序列剪枝算法LCP和SkyPath。然而，这两种算法的时间和空间复杂度都随着拾取点的数目和建议的行驶路线的长度而呈指数增长，因此它们只能适用于有限长度约束和少量拾取点的驾驶路线推荐。

本文提出了一种新的有效的解决MSR问题的方法。我们的方法包括离线阶段和在线阶段。离线阶段有效地修剪搜索空间并生成一小组候选序列。在线阶段的目的是获得最佳的驾驶路线，考虑到目前的位置以卸载出租车为起点。特别地，对于离线预计算，我们研究了ptd函数的性质，发现它满足迭代计算性质。该属性允许我们从终端点向后构造一个潜在的驱动路径。此外，我们还发现，具有相同长度和相同源点的一组潜在序列满足增量和批剪枝性质。为此，我们充分利用PTD函数的迭代性质，设计了一种移动顺序推荐方法。它以增量的方式产生潜在的序列，消除了大量的未知搜索空间，大大提高了算法的效率，降低了算法的内存消耗。在生成的相同长度的势序列中，我们可以使用批剪枝策略进一步修剪大量未能形成最优路径的潜在序列。它可以显着地减少剩余序列候选的数量。在该方法中，当施加旅行距离或目的地约束时，可以毫不费力地推广原来的MSR问题。该方法能有效地在线搜索出最优的行驶路线。实验结果表明，该方法的离线剪枝效果和在线搜索效率明显优于现有方法。

本段给出了论文的主要贡献。1)我们的算法可以生成任意长度的所有可能的候选序列。2)提出了PTD函数的递推公式，使潜在序列的增量生成成为可能。3)提出了一种时间复杂度较低的后向增量序列生成算法。4)提出了一种比较不同位序和驱动路线PTD成本的有效方法。5)采用增量修剪与批量修剪相结合的有效序列修剪方法，显著提高了离线修剪效果。6)我们的方法可以处理最大巡航距离或以前研究从未检查过的目的地约束的最佳驾驶路线搜索问题。

论文的其余部分组织如下。第二节介绍了MSR问题及相关工作。第三节详细介绍了我们提出的方法。第四节详细介绍了离线序列生成算法和在线搜索算法。第五节给出了实验结果和分析。第6节讨论了我们的方法的一些扩展。最后，第七节总结全文。

2、背景

在这一部分中，我们首先介绍了MSR问题，然后描述了相关的工作。

2.1问题陈述

鉴于在一段时间内收集到大量出租车司机的全球定位系统痕迹，也可以获得关于出租车何时空置或有人占用的信息。在这个数据集中，我们可以在一定的时间内对所有出租车司机的拾取点进行几何聚类。这些星系团的中心可以作为潜在的拾取点。设Ci是一个潜在的拾取位置，C={C1；c2；.；cn}是N个拾取点的集合。出租车在收货点成功载客的概率用p(ci)来表示，相互独立的概率集为P={ p(c1)；p(c2)；…；p(cn)} ；成功概率P(ci)可以用Ci中发生的拾取事件数除以在经过ci之前没有顾客的计程车数来估计。Ge等人提出的MSR问题。[2]是为了找到一条可导致接载一名新乘客的最低费用的驾驶路线，当一辆出租车从其目前的位置出发，在C中的全部或部分接客点旅行时。这个问题也存在于其他场景中，如推荐旅游路线、寻找停车位等。在下面，我们介绍了MSR问题的一些概念，并在表1中描述了本文中使用的所有符号。

其中，手动指定的参数Dmax表示司机接新乘客所需的最大巡航距离。在[2]中，Dmax被设置为足够大的常量值。驾驶路线d的PTD值表示空车在沿途巡航时接新乘客的预期行程距离。一条路线的PTD成本越小，出行距离就越短，乘坐新客人所需的能源和成本也就越少。基于上述定义，提出了MSR问题如下：

2.2 相关工作

近年来，智能交通系统和轨道数据挖掘引起了广泛的关注[1]、[6]、[7]、[8]。移动导航和路线推荐已成为本研究领域[2]、[9]、[10]、[11]、[12]、[13]、[14]、[23]、[24]、[25]、[26]的热门话题。

最近，GE等人。利用历史轨迹数据研究了一种新的移动顺序推荐问题。该问题与传统的最短路径问题(SPP)[15]、[16]、旅行商问题(TSP)[17]和车辆调度问题(VSP)[18]有很大的不同。在文献[2]中，由于MSR问题的计算复杂度很高，本文重点研究了具有有限长度约束的MSR问题。为了减少搜索空间，提出了一种基于路径优势的序列剪枝算法LCP。在此基础上，提出了一种基于天际线的新算法SkyRouting，用于寻找能够在线服务多个出租车的最优路径。然而，所提出的算法很难用大量的拾取点来处理这一问题。

一个类似于MSR的问题是空间数据库中的最短路径查询[19]，[20]，[22]。Funke和Storandt[19]研究了基于收缩层次[21]的多准则目标最短路径，使得算法复杂度降低到多项式时间。然而，最终目标需要转化为多个标准的线性组合。对于MSR问题，很难将PTD函数转化为距离和概率的线性组合。在[20]中，研究了考虑能量消耗的最优路径规划问题，其中采用了收缩层次[21]来加速执行。[22]提出了一种基于集线器标记的单跳算法，该算法采用双轮毂索引技术，可应用于POI预测场景。然而，所提出的最短路径技术难以直接应用于MSR问题的求解。

袁等人提出了一个检测拾取点的概率模型[4]。该方法为出租车司机和乘客提供位置推荐服务，找到一条以距离阈值为约束，而不是以最小费用为约束的停车位置选择概率最高的路线。相反，[24]、[25]中解决的问题与MSR问题不同，MSR问题是指推荐一条速度最快的路线到具有起始位置和时间限制的目的地。

鲍威尔等人[3]提出了一种基于网格的方法，通过构造一个时空盈利图来建议出租车司机的利润位置，在此基础上，根据历史数据计算出的潜在利润对司机的附近区域进行评分。然而，这种方法只在当地范围内找到利润最大的停车场，而不是一组综合考虑的拾取点。Wang[10]提出了一个在时间约束下寻找最优出行路线的问题。考虑到用户当前的位置，他们还提出了一种有效的出行规划方法。不同之处在于，他们的方法是利用景点的分数来衡量一条路线的质量。

3.拟议方法

为了解决MSR问题的计算难题，我们首先确定PTD函数的迭代性质。提出了可有效降低MSR搜索空间的剪枝原理。

3.1 PTD函数的迭代性质

如第2节所述，PTD功能提供了路线成本的可计算措施。实际上，可以获得PTD函数的迭代计算公式，而不考虑超过驾驶路线的最后一个拾取点的驾驶距离。为此，我们首先介绍了PTD子函数的概念。

F1的反向递推公式：

在离线分析阶段，我们仅有一组潜在的拾取点C，但驾驶室的位置未知。因此，我们可以构造短的后缀序列，然后在它们前面递增添加新的拾取点，这将导致更长的潜在序列。一旦我们在线获得了驾驶室的当前位置c0，我们可以通过将驾驶室c0的当前位置插入潜在序列的头部作为起始点来获得驾驶路线。