基于自编码器的旅行同伴挖掘

摘要

随着移动设备的广泛应用,当今的位置跟踪系统不断产生大量的轨迹数据.同时,许多应用亟需具备从移动物体的轨迹数据中挖掘出一起旅行的物体(旅行同伴)的能力,如智慧交通系统和智慧营销.现有算法或是基于模式挖掘方法,按照特定模式匹配旅行同伴;或是基于表征学习方法,学习相似轨迹的相似表征.前一种方法受限于点对匹配的问题,后一种方法往往忽略轨迹之间的时间相近性.为了改善这些问题,提出了一个基于自编码器的深度表征学习模型Mean-Attn(Mean-Attention),用于发现旅行同伴.Mean-Attn分别使用低维稠密向量表征和位置编码技术,将空间和时间信息同时注入轨迹的嵌入表征中;此外,还利用Sort-Tile-Recursive(STR)算法、均值运算和全局注意力机制,鼓励轨迹向邻近的轨迹学习;从编码器获得轨迹表征后,利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)对表征进行聚类,从而找到旅行同伴.实验结果表明, Mean-Attn在寻找旅行同伴方面的表现要优于传统的数据挖掘算法和最新的深度学习算法.

关键词

旅伴同伴 / 自编码器 / 时空信息 / STR算法 / 注意力机制