(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211403639.5 (22)申请日 2022.11.10 (71)申请人 中国测绘科 学研究院 地址 100036 北京市海淀区莲 花池西路28 号 (72)发明人 仇阿根　陶坤旺　朱鹏　赵习枝　 刘尚钦　张福浩　陈才　郑莹莹　 张志然　张用川　陈颂　 (74)专利代理 机构 北京睿派知识产权代理有限 公司 11597 专利代理师 刘锋 (51)Int.Cl. G06F 16/29(2019.01) G06F 16/215(2019.01) G06F 40/289(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) H04L 51/222(2022.01) H04L 51/52(2022.01) (54)发明名称 一种社交媒体数据与移动轨迹数据的融合 方法 (57)摘要 一种社交媒体数据与移动轨迹数据的融合 方法， 首先采用BiGRU模型计算移动轨迹特征向 量， 有效的利用移动轨迹数据； 然后通过胶囊网 络模型提取社交媒体信息的高级特征向量； 最后 采用马氏距离法判断向量间距离并利用基于参 数矩阵融合的方法进行融合， 获得移动轨迹数据 与社交媒体数据融合向量， 解决单一数据源对于 人物群体行为分析存在局限性问题。 权利要求书3页 说明书6页 附图1页 CN 115455130 A 2022.12.09 CN 115455130 A 1.一种社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 包括如下步骤： 移动轨迹数据处 理步骤S1 10: 对群体每个人物行程轨迹点数据进行预处理， 将预处理后的轨迹点匹配至路网中还原 每个人物行程的移动轨 迹， 采用BiGRU模型计算移动轨 迹特征向量， 以表征移动轨 迹数据； 社交媒体数据处 理步骤S120： 对社交媒体数据预处理， 然后对文本向量化以获得文本特征向量， 并通过胶囊网络模 型提取社交媒体信息的高级特 征向量， 以表征 社交媒体数据； 计算数据距离并融合数据步骤S13 0： 通过马氏距离法计算在步骤S110中所获得的移动轨迹特征向量与在步骤S120中所提 取的社交媒体的高级特征向量间的距离， 对于每个移动轨迹特征向量， 计算得到与其距离 最小的社 交媒体的高级特征向量， 并采用基于参数矩阵融合的方法对距离最小的每对向量 进行融合。 2.根据权利要求1所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 在步骤S110中， 所述对群体每个人物行程轨迹点数据进行预处理包括： 删除无效、 异常 轨迹点。 3.根据权利要求1所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 在步骤S1 10中， 所述BiGRU模型为 一种双向的改进的循环神经网络 。 4.根据权利要求3所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 所述BiGRU模型包括正向GRU模型 和反向GRU模型 ， 其中正向GRU模型 中对输入的移动轨迹采用正向输入即 ， 反向GRU模型 对输入的移 动轨迹采用反向输入即 ， 每个GRU模型 ， 由更新门 和重置门 构成， GRU模型内部的信息传播过 程如下式： 其中， 为移动轨迹输入， 为重置门 的权重矩阵， 为更新门 的权重矩阵， 为现在信息 的权重矩阵， 为逐元素相乘， 为sigmoid函数， 为双曲正切函 数， 现在信息 由过去信息 与当前输入 共同决定， 为 时刻的信 息输出， 包含过去 信息 和现在信息 ， 更新门 用来控制当前的状态需要遗忘多少历史信息和接受多少权　利　要　求　书 1/3 页 2 CN 115455130 A 2新信息， 重 置门 用来控制候选状态中有 多少信息是从历史信息中得到； 最终， 所述BiGRU模型的输出 由以下公式定义得 出： 其中， 为正向GRU 模型输出， 为反向GRU 模型输出， 表示 时刻 所对应的权重， 表示 所对应的权 重， 表示 时刻 所对应的偏置项。 5.根据权利要求1所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 在步骤S120中， 所述社交媒体数据预处理为： 过滤掉无关信息， 采用正则表达式删除标 点符号和删除空格， 在文本数据中引入领域词典， 对数据作分词处 理。 6.根据权利要求 4所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 在步骤S120中， 通过胶囊网络模型提取 社交媒体信息的高级特 征向量具体为： 利用耦合系数 对输入的文本特 征向量 进行加权求和， 计算得 预测向量 ： 其中： 为输入的文本 特征向量， 为耦合系数， 为相邻两层的权值转化矩阵， 为预 测向量； 社交媒体信息的高级特 征向量 表示为： 其中： 为提取的社交媒体信息的高级特征向量， 为预测向量， 表示对预测向量 求模运算。 7.根据权利要求6所述的社交媒体数据与移动轨 迹数据的融合方法， 其特 征在于， 在步骤S130中， 对S110中每个提取的移动轨迹数据向量 ， 通过马 氏距离法计算与S120每个社交媒体数据向量 间距离， 首先计算 与每 个社交媒体数据向量 间的距离， 对计算的距离 ，…， ， 按从小到大排序， 选择距离最小的一对向量进行融合，  然后计算并选择 与 距离最小的向量， 循环至 结束； 其中所述马氏距离法如下式： 其中： 为向量间距离， 为协方差矩阵。权　利　要　求　书 2/3 页 3 CN 115455130 A 3