系統架構與流程

論文方法的處理分為兩個階段：離線訓練以及線上預測。

3.2.1 離線訓練

離線訓練的處理主要分為三部分：(一)資料前處理及特徵擷取、(二)分群方法、

及(三)遞迴類神經網路學習架構(RNN based Learning Network)，如圖 3.1 所示。

(一) 資料前處理及特徵擷取：包含停留點擷取、地點類型自動標註、及輸入資料 產生方法。

(二) 分群方法：分成以使用者為單位的分群方法，及以序列為單位的分群方法 (三) 遞迴類神經網路學習架構(Rnn based Learning Network)：分成遷移學習模型 (Transfer Learning Model)和合成模型(Ensemble Model)。

14

圖3.1 使用者活動意圖預測系統離線訓練之架構

15

(1) 使用者分群法(User-based Clustering)

以使用者為單位進行分群，將每兩個連續的停留點子序列視為一組移動模式，

將兩兩使用者出現的移動模式所成的集合進行相似度計算，根據相似度採用階層 式分群演算法進行分群。

(2) 序列分群法(Sequence-based Clustering)

以序列為單位進行分群，將長度k 的活動序列兩兩進行相似度計算，根據相似 度採用階層式分群演算法進行分群。

(三) 遞迴類神經網路學習架構(RNN based Learning Network)

本論文提出三種遞迴類神經網路的學習架構，進行使用者活動意圖預測：

(1) 全體資料模型/群組模型(GRU Global/Group Model)

以未經分群過，全部長度k 的活動序列所訓練出的模型稱為全體資料模型；以 各分群資料所訓練出的模型統稱為群組模型。

16

(2) 遷移學習模型(GRU Transfer Learning Model)

遷移學習模型將全體長度k 的活動序列作為輸入訓練好模型後，將參數記錄 調和參數(Ensemble Parameter)學習由前兩個模型預測結果的組合比重，並做 Softmax 處理。最後由原本全體資料模型和群組模型的預測結果各自乘上組合比

17

圖3.2 使用者活動意圖預測系統線上預測之架構 線上預測的處理流程簡述如下：

(一) 資料前處理及特徵擷取

從GPS 軌跡資料中計算出停留點並自動標註地點類型，形成使用者的活動序 列，擷取最近長度為k 的使用者活動序列作為預測模型輸入。若長度不及 k 則需 要繼續蒐集資料。

(二) 模型選擇及預測

判斷測試資料應適用哪個群組模型。根據分群法的不同有以下兩種判斷方法：

(1) 使用者群組模型選擇方法

將使用者和各群的使用者兩兩進行相似度計算，取相似度最大值的使用者所 屬分群，決定測試資料應採用的群組模型。

(2) 序列群組模型選擇方法

將序列和各群的序列兩兩進行相似度計算，取相似度的最大值的序列所屬分 群，決定測試資料應使用的群組模型。

18

(latitude, longitude, arrive time, staying time)。在本研究中，t 設為 15 分鐘，latitude

和 longitude 分別表示緯度和精度，arrive time 表示使用者從該時間開始停留，

staying time 表示使用者在該地點的停留時間。。

[定義 3] 位置歷史序列：將一個使用者 u 的所有停留點自動標注類別以後，根據

時間先後排序而成的序列稱為位置歷史序列。

LH = S

→ S

→ … → S

= (Category, arrive time, staying time)。其中 Category 表示該停留點的 POI 類別，

arrive time 表示使用者從該時間開始停留，staying time 表示使用者在該地點的停 留時間。

[定義 4] 使用者活動序列：在使用者位置歷史序列中，若兩個連續停留點間的時

間間隔超過門檻值時，將序列切開後形成的多個子序列，稱為使用者活動序列。

[定義 5] 長度 k 的活動序列：由使用者的活動序列，取出所有長度 k 的連續子序

列稱為長度

k 活動序列。