个性化交通服务.ppt

5/21/20241研究背景 近几年来，随着我国城市交通日益拥堵，许多地方政府和企业纷纷建立起了一些公众交通信息服务平台，提供此类服务平台包括：交通信息服务网站、声讯信息服务、动态交通信息服务商、移动电视/广播信息服务等，这些平台提供地图查询、出行地指南、天气预报、车船班次、收费站等基本交通信息查询，部分还结合了GPS定位服务，提供车辆定位及路线导航服务。但这些平台相无论是服务内容、服务范围，还是服务手段、服务形式上，其先进性、准确性都处于起步阶段。相应的服务对象也大都为整体服务，就是让用户自行去搜索，针对用户个性化特色的服务及智能技术应用还是凤毛麟角，人们对交通信息服务的了解和使用还仅限于对城市整体路况的浏览和查询出行路径等，其它应用也是使用繁琐，用户体验较差。因此，我们提出个性化交通信息服务系统5/21/20242个性化服个性化服务务系系统统 个性化服务系统，也称之为个性化推荐系统个性化服务系统，也称之为个性化推荐系统，起初，起初它它被定义成根据人们提供的推荐作为输入，对输入进行整合，被定义成根据人们提供的推荐作为输入，对输入进行整合，然后对相应的接受者进行推荐的数字系统然后对相应的接受者进行推荐的数字系统。随着个性化推荐技术的不断进步，其他领域的技术和随着个性化推荐技术的不断进步，其他领域的技术和个性化推荐技术的融合发展，目前个性化推荐系统己经覆盖个性化推荐技术的融合发展，目前个性化推荐系统己经覆盖和包含了诸多领域，泛指输出个性化推荐或以定制的方式指和包含了诸多领域，泛指输出个性化推荐或以定制的方式指导用户在海量信息或者选择中发现和找到用户需要或者喜欢导用户在海量信息或者选择中发现和找到用户需要或者喜欢的项目的项目5/21/20243个性化交通信息服个性化交通信息服务务系系统统 参照先进的交通信息服务系统、出行者信息服务及智能运输系统，从数字城市的角度来看，个性化交通信息服务系统是利用先进的通信、电子和多媒体网络技术，通过个人便携设备，接收和访问交通信息服务系统，服务提供者根据用户历史数据建立用户兴趣模型，加之用户所处情境和实时需求帮助用户过滤无关信息、提供最能满足用户个性化需求信息的系统，以便出行者实时有效地获取与出行有关的道路交通信息、公共交通信息及其他服务信息。该系统的建立不仅能够满足用户的需求，而且也兼顾到了信息提供者的利益，将他们的信息以最高的效率投放给对信息感兴趣的用户，大大的提高了交通资源的利用效率5/21/20244个性化交通信息服个性化交通信息服务务系系统实现统实现的可行性和必要性的可行性和必要性 目前，市场上的移动终端设备，像笔记本，智能手机，PDA等，已经给人们的生活带来方便。而且人们接收信息的形式也趋向多元化，像文字，语音，图片，视频等形式。获取信息的途径随着通信技术、互联网技术、多媒体技术、计算机技术的发展趋向多样化，如有线Internet网络、无线Internet网络，移动通信网等，它们已经或多或少的实现了一些交通信息服务，用户通过这些系统可以得到所需信息。由此可见，实现个性化的交通信息服务系统是可行的。人们身边往往伴随着大量的与自己无关的交通信息，这些信息或多或少的干扰者人们的生活，与此同时，它们可能会希望得到为自己量身定制的信息，也就是对信息的个性化和本地化要求越来越强烈。其次，为公众出行提供便利，也符合“以人为本”的社会理念。最后，也能提高道路利用率、减少交通拥挤、改善交通安全，更能为社会带来一些潜在的经济效益。从众多方面来看，实现个性化的交通信息服务系统是必要的。5/21/20245交通信息服交通信息服务务之个性化推荐整体框架之个性化推荐整体框架5/21/20246交通信息服交通信息服务务之个性化推之个性化推荐荐的构成的构成输入模块主要用来搜集用户个人以及用户所在“群体”的信息。推荐模块是个性化推荐系统的核心模块，和推荐系统的性能直接相关。推荐模块的主要功能就是根据输入模块获得的用户信息、项目信息以及其他用于推荐的信息（主要是与用户相关的个人历史信息和群体历史信息）来预测用户对候选项目的评价。在推荐模块中主要包含两部分：用户行为模型和个性化推荐算法。输出模块主要是输出个性化服务请求，便于服务器查找出符合用户要求的最佳服务。5/21/20247输输输输入模入模入模入模块块块块 输入模块搜集的信息的全面性与否直接影响到推荐系统推荐出的输入模块搜集的信息的全面性与否直接影响到推荐系统推荐出的结果的优劣性，但过于全面性又增大了信息处理的难度，因此结果的优劣性，但过于全面性又增大了信息处理的难度，因此在这里需要我们对用户行为进行准确的分类，只有对用户行为进行准确的分类，才可以帮助推荐系统挖掘出与用户更为密切的情境信息，以便能更好的满足用户的需求。从用户的角度来看，需要收集的信息有三种，分别是用户的基本信息，用户的行为信息和用户的情境信息。从采集方式的角度来看，需要收集的信息有两种，分别是显式信息和隐式信息。5/21/20248用用用用户户户户信息分信息分信息分信息分类类类类u用户的基本信息主要指用户的个人信息，例如用户的ID、性别、年龄等；u用户的行为信息主要包括用户的偏好信息，用户的历史行为信息等，例如用户的时空信息、经验值、兴趣度等；u用户的情境信息主要包括（大众）显著地点、用户偏好情境、用户所在位置情境。5/21/20249用用用用户户户户信息分信息分信息分信息分类类类类l显式信息主要包括用户基本信息（即：用户的手机号码、性别、年龄、职业）及用户对项目的偏好信息（包括对价格的偏好、对距离的偏好、对口碑的偏好，及对附加项目的偏好），这些信息可以通过调查问卷和用户询问的方式（比如软件交互、传感器测量等）获取。这种信息收集的方式操作简单、信息获取直接有效且获取的信息质量较好，能加速推荐算法的学习速度。但这种机制的明显缺陷就在于用户的配合程度，通常情况下，如果没有任何的回报或者是直接利益的诱惑，用户一般都不会乐意付出自己的时间和精力去参与免费的信息提供，加之其对个人隐私的保护心理，进一步加剧了这种信息收集方式的困难度，降低了收集信息的真实性。l隐式信息的获取方式方式主要是在不打扰用户的情况下，通过系统监测或者是跟踪用户的浏览行为和操作记录，进而来推测和分析用户的兴趣信息。这种方式不需要用户的正面参与和直接提供数据，对用户的干扰程度较低，在传统的电子商务推荐系统中已经得到了普遍的应用。相对于显性的信息获取方式而言，隐性的信息收集方式对用户不造成额外的负担，但通常来说，所收集的隐性数据的质量往往来说没有显性收集的数据的质量高，其中可能会包含很多的无关数据，其搜集的数据的格式和存储也往往千差万别，这就会增大整个推荐系统的数据清洗成本和数据计算的复杂度。5/21/202410小小小小结结结结 在实际情况中，用户的特征信息是包含很多，用户间任何一个特征因素不同都会导致不同用户使用某个产品的行为习惯偏好等的不同。比如用户的年龄、性别、学历、收入水平、职业、地域等因素都会导致不同用户不同的使用习惯和偏好。所以在用户分类时需要从多个维度的特征因素去考虑如何划分用户。引来的问题：由于用户信息来源广泛、格式不一，导致数据的维度和稀疏程度也有很大的差异，面对这些维度不同的数据，其数据处理方法也有难有易。像用户的年龄、性别，这些特征的维度较低，处理起来较为简单，不需要进行过多的处理和挖掘即可得到较为精确的信息，同时，这些维度较低的信息的使用价值也较小。而像时间和地点（时空信息）、经验值、兴趣度，用户情境信息，显著地点，用户情感信息及社交关系，这些特征的维度较高、数据较为稀疏，处理起来较为麻烦，因此要牵涉到数据挖掘和数据融合等方面的知识。5/21/202411用用用用户户户户行行行行为为为为模型模型模型模型 用户的兴趣和用户的行为是密不可分的，即用户的兴趣可从很大程度上影响到用户的行为，同时用户的行为也反映了用户的兴趣，故可把对用户行为的建模问题转换到对用户兴趣的建模问题。用户兴趣模型用来表示用户对特定主题信息相对稳定的兴趣需求，具有相当长一段时间内的稳定性与倾向性。用户兴趣模型最初是在信息过滤系统中提出的，是对用户信息需求的一种描述形式。用户兴趣模型是用于存储用户的兴趣、存储和管理用户的行为历史、存储学习用户行为的知识和进行相关推导的知识的功能集合。5/21/202412用用用用户户户户行行行行为为为为（兴兴兴兴趣）建模趣）建模趣）建模趣）建模用户兴趣建模包括以下四个步骤：l收集用户信息。包括用户的基本信息、行为信息、情境信息等有助于识别用户兴趣的信息l用户兴趣模型的表示。用户兴趣模型是具有特定数据结构的、形式化的用户描述，用户兴趣模型的表示技术多种多样，需要选择合适的表示方法和技术l用户兴趣模型的学习。将用户兴趣用结构化、形式化的语言描述出来以后，需要通过一些学习技术，分析、挖掘出用户的兴趣需求l用户兴趣模型的更新和评价。用户的兴趣不是一成不变的，同样，用户的兴趣模型也需要根据用户需求的改变而更新。另外，用户兴趣模型是否准确反映了用户的兴趣需求，需要对建立的用户需求模型进行相应的评价5/21/202413用用户兴户兴趣模型的表示趣模型的表示类型类型描述描述基于用户-项目评价矩阵的表示用一个Rm*n二矩阵来表示用户模型。其中m为系统用户数，n为项目/产品数。矩阵中的每个元素rij表示了用户i对项目j的评价，一般是某个实数范围内的整数值。通常值越大，表示用户对相应项目的偏好程度越高。空元素值表示用户没有对相应的项目做出评价基于向量空间模型的表示将用户模型表示成一个n维特征向量(tl,wl),(t2,w2)(tn,wn)。向量的每一维由一个关键词及其权重组成。权重可取布尔值和实数值，分别表示了用户是否对某个概念感兴趣以及感兴趣的程度。基于案例的表示通过用户检索过的案例或者与案例相关的一组属性值来表示用户模型。可以用如下方式表达：(al,vmin,vbest,vmax),(an,vmin,vbest,vmax)其中ai代表属性，vmin代表该属性可接受的最小值，vbest代表该属性的最佳值，vmax代表该属性的该属性可接受的最大值。5/21/202414用用户兴户兴趣模型的趣模型的选择选择 对于新项目和新用户，使用的是短期兴趣模型（即基于案例的模型），当项目获得的评分以及用户给出的评分达到一定程度之后，系统就会使用长期兴趣模型（集基于用户-项目评价模型）。之所以这么做是出于两点：一是条件足够了，可以这么做了；二是对于那些稳定的、变化不大的兴趣，需要更有效的推荐方法，才能使用户满意，选择用户项目评价模型的原因是：处理短期兴趣时用到的模型是基于案例的，保留下来的记录是用户在某时某地的偏好信息，如果用户没有对被推荐的项目做出评价，则可以使用历史记录计算所有未过滤项目的可能评分，当用户选择同类应用或服务多次之后，就可以将短期兴趣配置文件中的信息写入长期兴趣配置文件中，就可以在处理长期兴趣时加以利用。5/21/202415个性化推荐算法个性化推荐算法 虽然个性化推荐系统使用的推荐技术千差万别，但从技术实现角度来看，个性化推荐系统一般可以分为以下四类：一是基于规则的；二是基于内容的；三是基于协同过滤技术的；四就是基于内容和协同过滤混合型的。u第一类通过事先生成的规则向客户推荐信息；u第二类通过比较项(商品)之间的相似性而不是客户之间的相似性实现推荐功能；u第三类根据目标客户和历史客户的行为特征相似性进行推荐；u在实践中往往使用两类技术相结合，也就是第四类的混合技术来实现推荐系统。5/21/202416个性化推荐算法个性化推荐算法个性化推荐算法个性化推荐算法类型类型实现规则实现规则优点优点缺点缺点基于规则的推荐根据事先生成的规则向客户推荐相关信息，一条规则在本质上是一条if-then语句表示简单，易于客户的理解规则的制定和质量保证；随着规则数量的增多，系统变得越来越难以管理基于协同过滤的推荐通过用户对资源的评价发现用户之间的相似性并利用的相似性来推荐信息具有发现和推荐新信息，并能够发现用户的潜在兴趣偏好；能够推荐音乐、电影等其他难以使用内容分析的产品；数据稀疏性问题；算法实时性问题基于内容的推荐根据用户的使用记录，并严格分析其特征项，来向用户推荐用户没有接触过的项目简单、有效特征提取的能力有限；过度专门化；无客户反馈；仅考虑了当前用户一个人的行为，没有参考其他用户的意见5/21/202417输输输输出模出模出模出模块块块块 由于数据异构性，故由于数据异构性，故经由推荐模块推荐出的用户个性化服务请求采用统一XML格式发送至服务器端。以下图中数据表示成下图所示的形式。这样在进行数据交换的时候可以都以同一种标准作为接口实现用户数据的交换，以便不同的应用系统使用。目前已定义的属性可以作为参考模板，在实际应用可以按需求修改添加属性，在本系统内称之为交通数据统一标准（United Form of Transportation Data)，简称UFTD。IDSexTimeLocationDestinationHis_Eva5/21/2024185/21/202419