1.一种天气特征对用户签到影响的度量方法，其特征在于：该方法包含如下步骤：S1：通过历史数据分析找到对用户签到影响大的天气特征；

S11：通过柱状图分析历史数据中的降雨、风速、温度与签到的数学分布关系；

S12：通过统计Gowalla的散点图和块状分布，找到历史数据中用户签到最密集地点的天气状况，从而确定对用户签到影响大的天气特征；

S2：对找到的历史数据中的天气特征进行高斯拟合并计算签到地点的历史天气得分；

S21：对找到的历史数据中的天气特征进行高斯拟合：2

f(x)＝a·exp(c(x-d))

其中，f(x)为高斯拟合函数，a、c、d为参数，x为天气特征变量，S22：将高斯函数的形式转化为矩阵乘法的形式，利用最小二乘法计算出参数a、c、d；

S23：对用户历史数据中的每一条签到记录所含的天气特征，定义温度特征T的得分为：定义降雨特征p的得分为：

定义风速特征w的得分为：

定义用户每条签到记录的天气得分为：

Pweather＝P(p)·P(w)·P(T)其中，Pweather为天气得分；

S3：选择神经网络；所述神经网络为三层结构，包括神经网络依次连接的输入层、隐藏层和输出层，其中所述隐藏层的神经元的数量为12；

S4：将所述历史天气得分分为训练集和测试集，并对所述神经网络进行学习和训练；

S41：随机抽取70％的历史数据的天气信息及对应天气得分作为训练集；

S42：将训练集数据处理，

归一化为[-1，1]之间的数据作为神经网络的输入数据，其中No为归一化结果，Dn为所处理的第n个数据，Dmax、Dmin分别为训练集数据中的最大值和最小值；

S43：选择sigmoid函数作为隐藏层的激活函数，对神经网络进行学习和训练，选取的参数包含学习率、训练步长、初始的权值、阈值、激活函数和学习算法，由所述激活函数获得的天气得分函数为：其中a0，b0分别为加入神经网络中输入层和隐藏层的偏置变量， 为不同输入层的权重，g为线性函数， 为sigmoid函数，aj分别表示a1为温度，a2为降雨，a3为风速；

S5：对训练好的神经网络通过所述测试集进行测试；

S51：选取15％的历史数据的天气信息及对应天气得分作为测试集，15％的历史数据的天气信息及对应天气得分作为验证集；

S52：将测试集和验证集输入神经网络，对神经网络的准确性进行评估；

S6：将当前的天气特征作为输入，通过训练出的神经网络计算出当前的天气得分；

S61：地点Xk通过神经网络计算出在t+1时刻天气得分 即：其中， 表示可达地点Xl的集合，Xl表示用户u在时间t所在的地点，Xk是Xl的可达地点，S表示所有地点集合， 表示用户在t+1时刻不可到达Xk并且天气得分为0， 表示t+1时刻用户访问地点Xk；

S62：汇总所有天气得分，得到用户u在t+1时刻所有地点的天气向量；

S63：将t+1时刻所有地点的天气向量进行从大到小排列为：从而预测用户的下一个兴趣点，其中，u为用户，t为时刻， 表示神经网络计算出的在t+1时刻地点Xk的天气得分，m为可达地点总数。