本发明属于计算机信息通信和服务计算，尤其涉及一种移动用户轨迹预测方法及系统。
背景技术：
1、近年来，随着移动互联网、物联网和共享经济等技术的快速发展，移动用户数量急剧增长，移动服务平台提供的多样化、个性化服务极大地便利了个人日常生活中的餐饮、交通、娱乐等需求；移动用户在享受这些服务时，移动终端设备通过各类传感器（如gps位置传感器）实时采集用户时空数据，生成海量的时空轨迹数据；这些时空轨迹数据为移动服务提供商提供了洞察用户未来行动偏好的宝贵信息，因为历史轨迹揭示了用户每次决策的行为模式。
2、移动服务平台依赖于这些移动用户产生的时空轨迹数据，从这些数据中挖掘移动用户的偏好和兴趣，精准地为移动用户推荐个性化的感兴趣地点，从而提升用户体验。
3、然而，这类时空数据常常面临稀疏性问题；在地理空间层面，由于生活习惯和兴趣爱好的差异，移动用户通常仅与少数特定地点(即兴趣点)进行频繁交互，而对大量其他地点则鲜有或根本没有交互记录；这种局限性相对于广泛分布的地理位置而言，导致与单个用户产生交互的地点显得相对稀少；在时间维度上，移动用户的轨迹数据也展现出显著的周期性特征，如日常活动、周末休闲以及节假日出行等模式，进一步加剧了数据稀疏的挑战；这种局限性使得现有的预测方法难以准确地捕捉移动用户的完整移动模式和个性化偏好，进而限制了推荐服务的精确性与个性化水平，影响用户体验和系统的整体性能；因此，时空数据的稀疏性问题，导致移动用户行为分析精度与个性化服务质量存在不足。
技术实现思路
1、为克服上述现有技术的不足，本发明提供了一种移动用户轨迹预测方法及系统，通过引入社交关系数据和从结构层和特征层两个层面进行数据增强的对比学习机制，准确提取轨迹特征，缓解时空数据稀疏性问题。
2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
3、本发明第一方面提供了一种移动用户轨迹预测方法。
4、一种移动用户轨迹预测方法，包括：
5、获取移动用户的历史时空轨迹数据，引入社交关系数据，构建异质图；
6、通过基于对比学习的特征提取模型，从结构层和特征层分别对异质图进行数据增强，并捕捉时空轨迹数据中的依赖关系和兴趣偏好，提取轨迹特征；
7、基于轨迹特征，进行兴趣点的预测；
8、其中，所述结构层是采用奇异值分解方法提取异质图中的结构信息，重构异质图；所述特征层是通过轻量级图卷积神经网络对原异质图和重构后的异质图进行对比学习过程中，对特征空间添加噪声。
9、进一步的，所述构建异质图，具体为：
10、基于历史时空轨迹数据，建立用户和兴趣点之间的交互关系矩阵；
11、基于历史时空轨迹数据，建立轨迹序列，轨迹序列中包含按时间顺序排列的兴趣点及兴趣点的地理位置；
12、基于社交关系数据，建立用户和用户之间的社交关系矩阵；
13、基于交互关系矩阵、社交关系矩阵和轨迹序列，构建异质图；
14、其中，所述异质图中包含用户和兴趣点两类节点、交互关系和社交关系两类关系。
15、进一步的，所述特征提取模型，包括重构模块、用户兴趣点特征提取模块、上下文特征提取模块、自注意机制模块；
16、所述重构模块，采用奇异值分解方法提取异质图中的结构信息，重构异质图；
17、所述用户兴趣点特征提取模块，采用基于对比学习的轻量级图卷积神经网络，从原异质图和重构后的异质图中提取用户特征和兴趣点特征；
18、所述上下文特征提取模块，从历史时空轨迹数据中提取时间序列特征和地理位置序列特征；
19、所述自注意机制模块，对合并后的用户特征、兴趣点特征、时间序列特征和地理位置序列特征进行轨迹特征的提取。
20、进一步的，所述重构异质图，具体步骤为：
21、对异质图对应的邻接矩阵进行奇异值分解，得到奇异值对角矩阵；
22、截断奇异值对角矩阵，保留最大的预设个数的奇异值，用截断矩阵重构邻接矩阵；
23、利用重构后的邻接矩阵，重新构建异质图。
24、进一步的，所述轻量级图卷积神经网络的对比学习，是使用对比损失将原异质图和重构后的异质图中同一节点的嵌入与其他节点的嵌入区分开，通过鼓励两个单独学习的异质图之间同一节点嵌入的对齐，使每个异质图从另一个异质图中提炼出互补的信息，实现相互的增强。
25、进一步的，所述地理位置序列特征的提取，具体为：
26、采用四叉键编码，将轨迹序列转化为n-gram序列；
27、将n-gram序列输入到地理信息编码器中，捕捉地理空间相邻的兴趣点之间的邻近关系，得到地理位置序列特征。
28、进一步的，所述进行兴趣点的预测，是基于提取的轨迹特征，计算每一个候选兴趣点的分数，通过分数选择兴趣点。
29、本发明第二方面提供了一种移动用户轨迹预测系统。
30、一种移动用户轨迹预测系统，包括构建模块、提取模块和预测模块：
31、构建模块，被配置为：获取移动用户的历史时空轨迹数据，引入社交关系数据，构建异质图；
32、提取模块，被配置为：通过基于对比学习的特征提取模型，从结构层和特征层分别对异质图进行数据增强，并捕捉时空轨迹数据中的依赖关系和兴趣偏好，提取轨迹特征；
33、预测模块，被配置为：基于轨迹特征，进行兴趣点的预测；
34、其中，所述结构层是采用奇异值分解方法提取异质图中的结构信息，重构异质图；所述特征层是通过轻量级图卷积神经网络对原异质图和重构后的异质图进行对比学习过程中，对特征空间添加噪声。
35、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种移动用户轨迹预测方法中的步骤。
36、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种移动用户轨迹预测方法中的步骤。
37、以上一个或多个技术方案存在以下有益效果：
38、本发明提供了一种对时空数据稀疏性处理的移动轨迹预测方法，对移动用户时空轨迹数据和社交关系数据构建异质图，进行图对比学习，通过社交关系的引入和从结构层和特征层两个层面进行数据增强的对比学习机制，更准确地捕获移动用户和兴趣点的特征，充分利用原始数据捕获其中的有效信息，缓解时空数据稀疏性问题。
39、本发明中的地理信息编码器使用堆叠自注意力网络和点前馈网络，能够更好地捕捉地理空间相邻的兴趣点之间的邻近关系，使得模型能够更准确地理解用户的移动行为和位置选择。
40、本发明可有效解决如何利用有限时空轨迹数据挖掘移动用户受时空因素约束的复杂行为模式来预测用户轨迹的难题，使得移动服务平台能够准确及时的预测移动用户的轨迹，推测用户的需求并提供相应的优质个性化服务。
41、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种移动用户轨迹预测方法，其特征在于，包括：
2.如权利要求1所述的一种移动用户轨迹预测方法，其特征在于，所述构建异质图，具体为：
3.如权利要求2所述的一种移动用户轨迹预测方法，其特征在于，所述特征提取模型，包括重构模块、用户兴趣点特征提取模块、上下文特征提取模块、自注意机制模块；
4.如权利要求3所述的一种移动用户轨迹预测方法，其特征在于，所述重构异质图，具体步骤为：
5.如权利要求3所述的一种移动用户轨迹预测方法，其特征在于，所述轻量级图卷积神经网络的对比学习，是使用对比损失将原异质图和重构后的异质图中同一节点的嵌入与其他节点的嵌入区分开，通过鼓励两个单独学习的异质图之间同一节点嵌入的对齐，使每个异质图从另一个异质图中提炼出互补的信息，实现相互的增强。
6.如权利要求3所述的一种移动用户轨迹预测方法，其特征在于，所述地理位置序列特征的提取，具体为：
7.如权利要求1所述的一种移动用户轨迹预测方法，其特征在于，所述进行兴趣点的预测，是基于提取的轨迹特征，计算每一个候选兴趣点的分数，通过分数选择兴趣点。
8.一种移动用户轨迹预测系统，其特征在于，包括构建模块、提取模块和预测模块：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
