本技術(shù)屬于計(jì)算機(jī)，尤其涉及一種用戶(hù)位置的預(yù)測(cè)方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，用戶(hù)位置數(shù)據(jù)的獲取和利用已經(jīng)成為數(shù)據(jù)挖掘和深度學(xué)習(xí)領(lǐng)域的重要研究方向。用戶(hù)位置數(shù)據(jù)包含了豐富的信息，如用戶(hù)的行為模式、行為偏好等。這些信息不僅在商業(yè)領(lǐng)域有廣泛應(yīng)用，還在公共安全、社會(huì)治理等方面具有重要意義。從商業(yè)推薦的角度看，通過(guò)對(duì)用戶(hù)位置的分析，可以挖掘出用戶(hù)的行為習(xí)慣、興趣偏好等信息，這對(duì)于提供個(gè)性化的服務(wù)或產(chǎn)品推薦具有重要的價(jià)值；通過(guò)對(duì)用戶(hù)位置的分析，可以及時(shí)發(fā)現(xiàn)并預(yù)防一些可能的安全風(fēng)險(xiǎn)，例如預(yù)防傳染傳染病等。因此，研究保證用戶(hù)位置準(zhǔn)確性的預(yù)測(cè)方法對(duì)于提高商業(yè)轉(zhuǎn)化率以及社會(huì)穩(wěn)定和公共安全具有積極得社會(huì)意義。

2、在用戶(hù)位置預(yù)測(cè)的領(lǐng)域內(nèi)，采用馬爾科夫鏈的方法進(jìn)行用戶(hù)位置預(yù)測(cè)，通過(guò)提取歷史位置序列中的關(guān)鍵位置并獲取其訪(fǎng)問(wèn)概率，構(gòu)建位置轉(zhuǎn)移矩陣，從而預(yù)測(cè)用戶(hù)下一個(gè)最可能訪(fǎng)問(wèn)的位置，但是，這種方式忽略了環(huán)境因素的復(fù)雜交互，如何能夠綜合考慮環(huán)境因素的復(fù)雜交互，且提高用戶(hù)位置的預(yù)測(cè)效率是目前急需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)意在提供一種用戶(hù)位置的預(yù)測(cè)方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中存在的不足，本技術(shù)要解決的技術(shù)問(wèn)題通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)。

2、第一個(gè)方面，本技術(shù)實(shí)施例提供一種用戶(hù)位置的預(yù)測(cè)方法，所述方法包括：

3、獲取用戶(hù)的當(dāng)前時(shí)刻位置數(shù)據(jù)，其中，所述當(dāng)前時(shí)刻位置數(shù)據(jù)至少包括用戶(hù)信息、用戶(hù)位置點(diǎn)信息和歷史訪(fǎng)問(wèn)記錄信息；

4、根據(jù)預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型，確定所述用戶(hù)的下一時(shí)刻的位置數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型是根據(jù)用戶(hù)歷史位置樣本數(shù)據(jù)對(duì)初始訓(xùn)練模型進(jìn)行訓(xùn)練得到訓(xùn)練結(jié)果，并采用麻雀搜索算法對(duì)所述訓(xùn)練結(jié)果進(jìn)行優(yōu)化得到的，所述初始訓(xùn)練模型是基于圖神經(jīng)網(wǎng)絡(luò)模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型建立的。

5、可選地，所述位置預(yù)測(cè)模型通過(guò)如下方式獲得：

6、獲取用戶(hù)歷史位置樣本數(shù)據(jù)，所述用戶(hù)歷史位置樣本數(shù)據(jù)至少包括樣本用戶(hù)信息、樣本用戶(hù)位置點(diǎn)信息以及樣本用戶(hù)訪(fǎng)歷史問(wèn)記錄；

7、對(duì)所述用戶(hù)歷史位置樣本數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的樣本數(shù)據(jù)；

8、將所述處理后的樣本數(shù)據(jù)，輸入到所述圖神經(jīng)網(wǎng)絡(luò)模型中，得到與所述圖神經(jīng)網(wǎng)絡(luò)模型各層對(duì)應(yīng)的表征向量；

9、將所述表征向量輸入到mlp層進(jìn)行特征融合，得到訪(fǎng)問(wèn)向量；

10、將所述訪(fǎng)問(wèn)向量輸入到所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型中，得到模型輸出結(jié)果，所述模型輸出結(jié)果至少包括下一時(shí)刻用戶(hù)位置數(shù)據(jù)；

11、根據(jù)所述下一時(shí)刻用戶(hù)位置數(shù)據(jù)和預(yù)設(shè)位置數(shù)據(jù)，確定損失函數(shù)；

12、根據(jù)所述麻雀搜索算法對(duì)所述損失函數(shù)的迭代數(shù)據(jù)進(jìn)行優(yōu)化，得到所述位置預(yù)測(cè)模型。

13、可選地，所述方法還包括：

14、采用所述用戶(hù)歷史位置樣本數(shù)據(jù)，基于準(zhǔn)確率、精確率、召回率和f1值，對(duì)所述位置預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

15、可選地，所述將所述表征向量輸入到mlp層進(jìn)行特征融合，得到訪(fǎng)問(wèn)向量，包括：

16、基于樣本用戶(hù)位置點(diǎn)信息嵌入到圖結(jié)構(gòu)中，并進(jìn)行節(jié)點(diǎn)和邊的初始化，得到圖神經(jīng)網(wǎng)絡(luò)模型；

17、將所述樣本用戶(hù)信息轉(zhuǎn)換成向量形式的用戶(hù)信息，并輸入到可學(xué)習(xí)的mlp嵌入層，得到樣本用戶(hù)信息的嵌入向量；

18、將訪(fǎng)問(wèn)時(shí)間輸入到可學(xué)習(xí)的mlp嵌入層，得到時(shí)間信息的嵌入向量；

19、對(duì)樣本用戶(hù)信息的嵌入向量、時(shí)間信息的嵌入向量和樣本用戶(hù)位置點(diǎn)信息的嵌入向量進(jìn)行拼接，并對(duì)拼接結(jié)果進(jìn)行特征降維和融合處理，得到用戶(hù)的訪(fǎng)問(wèn)向量。

20、可選地，所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型用于進(jìn)行正向?qū)犹幚砗头聪驅(qū)犹幚恚玫秸驅(qū)犹幚斫Y(jié)果和反向?qū)犹幚斫Y(jié)果，并將所述正向?qū)犹幚斫Y(jié)果和所述反向?qū)犹幚斫Y(jié)果進(jìn)行合并，得到上下文信息。

21、可選地，所述根據(jù)所述下一時(shí)刻用戶(hù)位置數(shù)據(jù)和預(yù)設(shè)位置數(shù)據(jù)，確定損失函數(shù)，包括：

22、通過(guò)交叉熵函數(shù)，計(jì)算所述下一時(shí)刻用戶(hù)位置數(shù)據(jù)和預(yù)設(shè)位置數(shù)據(jù)之間的損失值；

23、使用adamw優(yōu)化器迭代將損失值反向傳播到所述位置預(yù)測(cè)模型，并對(duì)所述位置預(yù)測(cè)模型進(jìn)行更新。

24、第二個(gè)方面，本技術(shù)實(shí)施例提供一種用戶(hù)位置的預(yù)測(cè)裝置，所述裝置包括：

25、獲取模塊，用于獲取用戶(hù)的當(dāng)前時(shí)刻位置數(shù)據(jù)，其中，所述當(dāng)前時(shí)刻位置數(shù)據(jù)至少包括用戶(hù)信息、用戶(hù)位置點(diǎn)信息和歷史訪(fǎng)問(wèn)記錄信息；

26、預(yù)測(cè)模塊，用于根據(jù)預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型，確定所述用戶(hù)的下一時(shí)刻的位置數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型是根據(jù)用戶(hù)歷史位置樣本數(shù)據(jù)對(duì)初始訓(xùn)練模型進(jìn)行訓(xùn)練得到訓(xùn)練結(jié)果，并采用麻雀搜索算法對(duì)所述訓(xùn)練結(jié)果進(jìn)行優(yōu)化得到的，所述初始訓(xùn)練模型是基于圖神經(jīng)網(wǎng)絡(luò)模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型建立的。

27、可選地，所述裝置還包括模型訓(xùn)練模塊，所述模型訓(xùn)練模塊用于：

28、獲取用戶(hù)歷史位置樣本數(shù)據(jù)，所述用戶(hù)歷史位置樣本數(shù)據(jù)至少包括樣本用戶(hù)信息、樣本用戶(hù)位置點(diǎn)信息以及樣本用戶(hù)訪(fǎng)歷史問(wèn)記錄；

29、對(duì)所述用戶(hù)歷史位置樣本數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的樣本數(shù)據(jù)；

30、將所述處理后的樣本數(shù)據(jù)，輸入到所述圖神經(jīng)網(wǎng)絡(luò)模型中，得到與所述圖神經(jīng)網(wǎng)絡(luò)模型各層對(duì)應(yīng)的表征向量；

31、將所述表征向量輸入到mlp層進(jìn)行特征融合，得到訪(fǎng)問(wèn)向量；

32、將所述訪(fǎng)問(wèn)向量輸入到所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型中，得到模型輸出結(jié)果，所述模型輸出結(jié)果至少包括下一時(shí)刻用戶(hù)位置數(shù)據(jù)；

33、根據(jù)所述下一時(shí)刻用戶(hù)位置數(shù)據(jù)和預(yù)設(shè)位置數(shù)據(jù)，確定損失函數(shù)；

34、根據(jù)所述麻雀搜索算法對(duì)所述損失函數(shù)的迭代數(shù)據(jù)進(jìn)行優(yōu)化，得到所述位置預(yù)測(cè)模型。

35、可選地，所述模型訓(xùn)練模塊用于：

36、采用所述用戶(hù)歷史位置樣本數(shù)據(jù)，基于準(zhǔn)確率、精確率、召回率和f1值，對(duì)所述位置預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

37、可選地，所述模型訓(xùn)練模塊用于：

38、基于樣本用戶(hù)位置點(diǎn)信息嵌入到圖結(jié)構(gòu)中，并進(jìn)行節(jié)點(diǎn)和邊的初始化，得到圖神經(jīng)網(wǎng)絡(luò)模型；

39、將所述樣本用戶(hù)信息轉(zhuǎn)換成向量形式的用戶(hù)信息，并輸入到可學(xué)習(xí)的mlp嵌入層，得到樣本用戶(hù)信息的嵌入向量；

40、將訪(fǎng)問(wèn)時(shí)間輸入到可學(xué)習(xí)的mlp嵌入層，得到時(shí)間信息的嵌入向量；

41、對(duì)樣本用戶(hù)信息的嵌入向量、時(shí)間信息的嵌入向量和樣本用戶(hù)位置點(diǎn)信息的嵌入向量進(jìn)行拼接，并對(duì)拼接結(jié)果進(jìn)行特征降維和融合處理，得到用戶(hù)的訪(fǎng)問(wèn)向量。

42、可選地，所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型用于進(jìn)行正向?qū)犹幚砗头聪驅(qū)犹幚恚玫秸驅(qū)犹幚斫Y(jié)果和反向?qū)犹幚斫Y(jié)果，并將所述正向?qū)犹幚斫Y(jié)果和所述反向?qū)犹幚斫Y(jié)果進(jìn)行合并，得到上下文信息。

43、可選地，所述模型訓(xùn)練模塊用于：

44、通過(guò)交叉熵函數(shù)，計(jì)算所述下一時(shí)刻用戶(hù)位置數(shù)據(jù)和預(yù)設(shè)位置數(shù)據(jù)之間的損失值；

45、使用adamw優(yōu)化器迭代將損失值反向傳播到所述位置預(yù)測(cè)模型，并對(duì)所述位置預(yù)測(cè)模型進(jìn)行更新。

46、第三個(gè)方面，本技術(shù)實(shí)施例提供一種終端設(shè)備，包括：至少一個(gè)處理器和存儲(chǔ)器；

47、所述存儲(chǔ)器存儲(chǔ)計(jì)算機(jī)程序；所述至少一個(gè)處理器執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以實(shí)現(xiàn)第一個(gè)方面提供的用戶(hù)位置的預(yù)測(cè)方法。

48、第四個(gè)方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)第一個(gè)方面提供的用戶(hù)位置的預(yù)測(cè)方法。

49、本技術(shù)實(shí)施例包括以下優(yōu)點(diǎn)：

50、本技術(shù)實(shí)施例提供的用戶(hù)位置的預(yù)測(cè)方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)，通過(guò)獲取用戶(hù)的當(dāng)前時(shí)刻位置數(shù)據(jù)，其中，所述當(dāng)前時(shí)刻位置數(shù)據(jù)至少包括用戶(hù)信息、用戶(hù)位置點(diǎn)信息和歷史訪(fǎng)問(wèn)記錄信息；根據(jù)預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型，確定所述用戶(hù)的下一時(shí)刻的位置數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置預(yù)測(cè)模型是根據(jù)用戶(hù)歷史位置樣本數(shù)據(jù)對(duì)初始訓(xùn)練模型進(jìn)行訓(xùn)練得到訓(xùn)練結(jié)果，并采用麻雀搜索算法對(duì)所述訓(xùn)練結(jié)果進(jìn)行優(yōu)化得到的，所述初始訓(xùn)練模型是基于圖神經(jīng)網(wǎng)絡(luò)模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型建立的，本技術(shù)實(shí)施例通過(guò)根據(jù)麻雀搜索算法、基于圖神經(jīng)網(wǎng)絡(luò)模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型建立位置預(yù)測(cè)模型，該位置預(yù)測(cè)模型具備根據(jù)歷史位置序列對(duì)用戶(hù)未來(lái)位置進(jìn)行準(zhǔn)確預(yù)測(cè)的能力，這樣，可以綜合考慮環(huán)境因素，以及用戶(hù)歷史訪(fǎng)問(wèn)信息，提高位置預(yù)測(cè)的準(zhǔn)確性，對(duì)商業(yè)個(gè)性化推薦和大規(guī)模傳染病防控等領(lǐng)域具有重要意義。