近年來,移動(dòng)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(jī)會(huì),可以讓他們分享個(gè)人經(jīng)驗(yàn)和有趣地點(diǎn),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(huì)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(jìn)一步產(chǎn)生有價(jià)值的信息,例如個(gè)人軌跡和個(gè)人社會(huì)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(shí)世界中人類活動(dòng)的客觀反映。當(dāng)前,學(xué)習(xí)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(xué)習(xí)的優(yōu)異模型來捕獲人類時(shí)空信息。但是,已有工作在軌跡學(xué)習(xí)過程中仍然面臨一些關(guān)鍵挑戰(zhàn):首先,人員流動(dòng)的多樣性顯示出了用戶不同的移動(dòng)方式、位置偏愛和時(shí)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(gè)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(qiáng)大泛化能力和特征提取能力的深度學(xué)習(xí)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(xué)位級(jí)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(xiàn)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(xué)習(xí)
    2.2 序列信息表征學(xué)習(xí)
    2.3 深度生成模型學(xué)習(xí)
    2.4 本章小結(jié)
第三章 基于軌跡嵌入的人群移動(dòng)性識(shí)別
    3.1 人群移動(dòng)性識(shí)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(shí)驗(yàn)驗(yàn)證與分析
        3.5.1 數(shù)據(jù)準(zhǔn)備
        3.5.2 實(shí)驗(yàn)準(zhǔn)備
        3.5.3 實(shí)驗(yàn)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(gè)興趣點(diǎn)預(yù)測
    4.1 下一個(gè)興趣點(diǎn)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(xué)習(xí)模塊
        4.4.4 歷史軌跡學(xué)習(xí)模塊
        4.4.5 模型優(yōu)化
    4.5 實(shí)驗(yàn)驗(yàn)證與分析
        4.5.1 數(shù)據(jù)準(zhǔn)備
        4.5.2 實(shí)驗(yàn)準(zhǔn)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(dòng)性對(duì)抗學(xué)習(xí)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(jì)
        5.4.3 出行解碼器設(shè)計(jì)
        5.4.4 對(duì)抗網(wǎng)絡(luò)設(shè)計(jì)
    5.5 算法分析
        5.5.1 理論推導(dǎo)
        5.5.2 訓(xùn)練算法流程
        5.5.3 推薦流程
    5.6 實(shí)驗(yàn)分析與驗(yàn)證
        5.6.1 數(shù)據(jù)準(zhǔn)備
        5.6.2 實(shí)驗(yàn)準(zhǔn)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(xùn)練手段
    6.5 實(shí)驗(yàn)驗(yàn)證與分析
        6.5.1 數(shù)據(jù)準(zhǔn)備
        6.5.2 實(shí)驗(yàn)準(zhǔn)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(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號(hào)：3842599