预测用户的位置情绪，同时考虑多维的时空依赖性

《Frontiers in Psychology》：Predicting location emotions of users considering multidimensional spatio-temporal dependencies

情绪具有显著的空间和时间特征，预测用户位置与情绪的时空变化对监测城市居民情绪状态至关重要。本文基于上海微博平台的地标标签图像数据，提出一种融合多维时空依赖性的位置情绪预测方法。通过HiSpatialCluster算法识别用户停留区域，结合FaceReader算法和Russell情绪环模型计算用户情绪四象限，利用LINE算法构建情绪交互图并提取低维特征向量，最终采用注意力机制与双向LSTM结合的模型预测位置和情绪。实验表明，该方法在地理位置和情绪四象限的联合预测中准确率达75.21%，优于单一LSTM或CNN模型，为城市情绪监测和个性化服务优化提供了新方法。

　　情感具有显著的空间与时间特征，预测情感在空间与时间上的变化是监测城市居民情感状态的重要前提。现有的预测方法大多集中在时间序列中的情感预测，忽略了情感的空间属性。本文基于微博平台上的地理位置标记图像数据，提出了一种考虑不同情感状态之间多维空间与时间依赖关系的用户位置情感预测方法。该方法引入HiSpatialCluster算法来识别用户的停留区域，随后应用FaceReader算法从图像数据中确定用户的情感象限，并利用图嵌入算法获取每个停留区域的特征向量。最后，采用基于注意力机制的双向长短期记忆网络（BiLSTM）来构建情感的多维空间与时间依赖关系以进行预测。实验结果表明，该方法在位置情感预测上的准确率达到75%，优于单一的LSTM和CNN方法。研究结果不仅有助于深化对情感空间与时间变化模式的理解，还能为优化基于位置的个性化服务提供重要的理论基础。

随着互联网和移动通信技术的发展，城市居民的日常活动产生了大量空间与时间相关的数据，如社交媒体数据和手机数据。这些数据为位置情感预测提供了研究基础。现有的位置预测方法主要分为浅层学习方法和机器学习方法。浅层学习方法通常结合马尔可夫链或贝叶斯网络来预测位置，而机器学习方法则借助深度学习技术来构建更复杂的模型。例如，一些研究者利用长短期记忆神经网络（LSTM）来捕捉时间依赖性，而另一些则结合卷积神经网络（CNN）提取空间特征。此外，随着注意力机制的引入，研究者开始探索其在位置预测中的应用，以提升模型的预测性能。然而，现有的方法大多未能充分考虑情感因素，缺乏对情感空间与时间依赖性的深入研究，因此难以准确预测用户的情感状态。

本文提出了一种结合注意力机制和BiLSTM的模型，用于预测用户可能访问的位置及其对应的情感状态。通过分析地理位置标记的图像数据，该方法能够识别用户的停留区域，并结合情感象限分析，构建情感轨迹矩阵。该矩阵通过图嵌入技术转化为低维向量，以捕捉情感的空间与时间依赖性。最终，基于注意力机制的BiLSTM模型能够有效整合这些信息，提高位置情感预测的准确性。实验结果显示，该方法在多个指标上均优于传统模型，具有较高的预测准确率和稳定性。

在数据预处理阶段，研究者使用微博平台上的上海用户图像数据，去除重复、广告和机器人发布的数据。经过筛选，最终获得包含206,881条微博文的干净数据集，涵盖11,996名用户。这些数据包含了用户ID、坐标、发布时间和图片URL等信息。为了提高预测的可靠性，研究者还严格过滤出包含人类面部的图片，以确保情感分析的准确性。此外，研究者发现微博文的空间分布存在不均衡现象，城市中心区域的数据密度远高于郊区和崇明岛等区域，这为后续的空间情感分析提供了重要参考。

在方法设计方面，研究者首先利用HiSpatialCluster算法识别用户的停留区域。该算法能够有效处理数据密度不均的场景，通过快速搜索和密度聚类技术快速划分用户停留区域。随后，使用FaceReader算法和Russell环模型对用户的情感进行量化分析。Russell环模型将情感分为两个维度：愉悦度（valence）和强度（intensity），从而构建出四个情感象限。研究者通过将每张图片的情感特征映射到该模型中，确定其所属的情感象限，并将其作为情感轨迹矩阵的构建基础。

为了构建情感轨迹矩阵，研究者采用LINE算法进行图嵌入，将情感信息转化为低维向量。LINE算法能够有效保留节点之间的第一阶和第二阶关系，从而更全面地捕捉情感的空间与时间依赖性。通过将这些向量按时间顺序拼接，形成用户的情感轨迹矩阵。在矩阵基础上，研究者引入基于注意力机制的BiLSTM模型，通过动态调整输入特征的权重，实现对情感和位置的联合预测。该模型能够同时处理情感的时序特征和空间关系，从而提升预测的准确性和稳定性。

实验结果表明，该方法在位置情感预测任务中表现优异，预测准确率达到75.21%。与其他方法相比，如单层LSTM、CNN、ResNet等，该方法在多个指标上均显示出显著优势。此外，研究者还分析了不同情感象限的预测效果，发现正向情感象限（第一和第四象限）的预测准确率较高，而负向情感象限（第二和第三象限）的准确率相对较低。这可能与在线数据中正向情感表达的普遍性有关，导致负向情感样本较少，影响了模型的学习效果。为了改善这一问题，研究者计划在后续工作中引入更多的数据类型，如文本、音频和生理信号，以提升模型的泛化能力和预测精度。

此外，研究者还探讨了序列长度对预测准确率的影响。实验结果表明，随着序列长度的增加，预测准确率逐步上升。最长的序列长度达到50，此时准确率达到74.8%。这说明，更长的序列能够提供更丰富的空间与时间情感信息，有助于构建更准确的情感依赖关系。因此，合理选择序列长度对于提升模型性能具有重要意义。

在模型的实际应用方面，研究者指出该方法可以为城市规划、公共服务优化和个性化推荐提供重要支持。通过预测用户的情感状态和可能访问的位置，城市管理者可以更好地了解居民的情绪变化，从而制定更加人性化的政策和服务。同时，该方法还能提升基于位置的推荐系统的精准度，使用户获得更符合其情感需求的个性化体验。

尽管该方法在多个方面取得了显著成果，但仍存在一些局限性。首先，数据来源较为单一，仅依赖微博平台的地理位置标记图像数据。未来研究可以引入更多类型的数据，如文本、音频和生理信号，以增强模型的多样性。其次，模型未充分考虑地理环境因素，如天气、公共事件和基础设施等，这些因素在位置预测中具有重要作用。研究者计划在未来工作中收集更细粒度的环境数据，并将其作为节点属性融入模型中。此外，目前模型仅能区分四种情感状态，难以实现情感属性的定量分析。未来可以进一步优化模型，使其能够预测更细粒度的情感特征，如愉悦度和强度的具体数值。

总体而言，本文提出了一种基于地理位置标记图像数据和多维空间与时间依赖性的用户位置情感预测方法，具有较高的准确性和实用性。通过结合HiSpatialCluster、FaceReader、LINE和BiLSTM等技术，研究者构建了一个完整的预测框架，为城市情感分析和个性化服务优化提供了新的思路。未来的研究将进一步拓展数据来源，优化模型结构，并探索更多实际应用场景，以推动位置情感预测技术的发展。