基于增强意图的循环神经网络模型预测行人轨迹的方法技术

本发明专利技术提供一种基于增强意图的循环神经网络模型预测行人轨迹的方法，来实现行人的移动轨迹的预测，包括以下步骤：S1)获取轨迹图；S2)意图增强‑语义策略选择；S3)基于门控循环单元的行人移动轨迹预测。本发明专利技术的优点是：通过图网络模型的相邻节点增强用户意图，并加入循环神经网络对行人移动轨迹进行预测，该模型在top‑k的准确度上相与其他算法相比效果提升明显。

A method of predicting pedestrian trajectory based on enhanced intention cyclic neural network model

【技术实现步骤摘要】
基于增强意图的循环神经网络模型预测行人轨迹的方法
本专利技术涉及数据挖掘
，具体涉及基于增强意图的循环神经网络模型预测行人轨迹方法。
技术介绍
在LBS应用程序、旅游推荐、敏感位置广告、交通规划等方面，轨迹信息为挖掘人们的移动信息带来了巨大的机遇和挑战。与其他类型的应用相比，运动行为预测是具有不确定性的选择问题，行人的运动模式很容易随机和不可预测地出现。通过安装在城市中wifi传感器跟踪用户的城市旅游行为，发现每个人的旅游地点在日常生活中是完全不同的，大多数行人没有固定的日常交通模式，这是由于行人有不同的旅游意图。目前，关于行人轨迹预测的研究大多才有基于统计和模式的方法，忽略了行为的随机性和模糊性。位置预测主要有以下三个挑战：其一，大多数记录的移动数据是低采样和不准确的，技术的限制是错过部分行人活动的一个原因；其二，现有的工作利用序列模型来捕捉运动规律，但由于公共交通系统、活动时间、天气状况出现的紧急情况，移动数据的挖掘是复杂且敏感的，使预测问题更加难以解决；其三，居住在同一个城市的居民有着不同的轨迹，但这些完全不同的轨迹背后的意图可能是相同的，基于这一点在每条轨迹中找到潜在的语义上下文也是一项艰巨的任务。
技术实现思路
本专利技术的目的是提供一种基于增强意图的循环神经网络模型预测行人轨迹的方法，通过增加轨迹节点的潜在语义，采用循环神经网络的方法预测行人轨迹。为了达到上述目的，本专利技术通过以下技术方案来实现：基于增强意图的循环神经网络模型预测行人轨迹的方法，其特征在于如下步骤：S1)获取轨迹图基于用户历史记录构建的图形结构，可以利用图形神经网络相关模型来描述点的关系，从而获得轨迹图；S2)意图增强-语义策略选择以下述任一一种语义选择策略来选择节点的一部分作为上下文：(1)随机选择策略：目标是计算借点本身和所有邻域节点之间的点的上下文语义信息；(2)方向导向策略：选择结点有两个标准：首先，两个附加边应该存在于个体的历史轨迹中，这表示这些边缘的通过概率很高；其次，原始路径的方向和增强路径应该是相似的，这意味着新路径的角落小于90°；(3)最大概率策略：我们以三个节点模式(Om,Ct,On)计算用户的所有轨迹；S3)基于门控循环单元的行人移动轨迹预测选择三种语义策略中的一种来增强用户意图，并利用循环神经网络来预测位置。本专利技术与现有技术相比，具有以下优点：本专利技术提供一种基于增强意图的循环神经网络AI-RNN，来实现行人的移动轨迹的预测。在实际场景下构建图结构，通过图网络模型的相邻节点增强用户意图，并加入循环神经网络对行人移动轨位置进行预测，该模型在top-k的准确度上相与现有算法相比效果提升明显。附图说明图1是本专利技术基于增强意图的循环神经网络AI-RNN元模型示意图。图2是本专利技术基于增强意图的循环神经网络AI-RNN的3种增强意图方法示意图。具体实施方式下面结合附图，对本专利技术的实施例作进一步详细的描述。基于增强意图的循环神经网络进行位置预测的方法，包括如下步骤：S1)获取轨迹图基于用户历史记录构建的图形结构，可以利用图形神经网络相关模型来描述点的关系。本专利技术设计了意图增强模块来促进轨迹的语义，设计了三元组G＝(u,V,E)，其中u是用户，V＝{vi}＝1：Nυ是节点集合，每个vi是行人历史轨迹中的一个点；E＝{(ek，sk，tk)}k＝1：(Ne)是边的集合，其中ek是边的权重，sk是源节点，tk是目标节点。点p的意图增强是从历史路线创建相关图G并计算E的权重。之后，基于图循环网络的方法可以将几个点融合为点到点p。S2)意图增强-语义策略选择意图增强的关键部分是如何为每个点构建上下文，与之前的研究相比，轨迹的意图有两个关键特征：时间敏感性和情景敏感性。基于此，本专利技术提出了三种语义选择策略来选择节点的一部分作为上下文，包括随机选择策略、方向导向策略、最大概率策略。随机选择策略：目标是计算借点本身和所有邻域节点之间的点的上下文语义信息。我们通过以下等式来定义阈值γ是否将点视为增强信息：γ＝w×randomseed()其中w表示每个节点的权重，每个节点的权重由每个节点的邻域数决定，randomseed()是一个随机函数，它输出的数字∈[0,1]，γ是一个阈值，决定是否将这一点视为增强信息。其算法流程如下：方向导向策略：大多数在城市旅行的人会选择一条简单直接的路径作为他们的路线。因此，我们更喜欢那些能够保持原始轨迹方向的结点，为此选择结点有两个标准：首先，两个附加边应该存在于个体的历史轨迹中，这表示这些边缘的通过概率很高；其次，原始路径的方向和增强路径应该是相似的，这意味着新路径的角落小于90°。如果在轨迹中忽略或丢失结点，则其有很大概率与下一结点形成平滑的角度(通过余弦定理算角度)。最大概率策略：本专利技术以三个节点模式(Om,Ct,On)计算用户的所有轨迹，其中Om是前一个节点，Ct是候选节点，On是需要增加的点。首先将用户的轨迹分成两个连续点并获得每对p(Oi,Oi+1)的概率；然后，计算三个节点模式是：p(Om,Ct,On)＝p(Om,Ct)×p(Ct,On)最后，我们通过p(Om，Ct，On)选择前K个节点Ct作为GCN的目标扩充节点。实际上，Wi-Fi传感器可能无法完全检测每个人的活动，如果行人继续移动，信息可能会丢失。根据这种策略，我们根据可能性结合当前点和周围点。如果由于收集信息的过程失败而导致当前点丢失，则由其他相关点的信息补偿。S3)基于门控循环单元的行人移动轨迹预测AI-RNN以端到端的方式工作，无需人工业务功能，本专利技术的方法可以选择三种策略中的一种来增强用户意图(第3-5行)并利用循环神经网络来预测位置，其算法步骤如下：本具体实施方式中，收集两个代表性的真实时空数据集来评估所提出模型的性能。第一个是整个城市的WiFi传感器收集的城市旅行数据；第二个是公共Foursquare签到数据。为了评估模型的准确性，在实验中，将AI-RNN与几种最新的方法进行了比较：(1)统计模型：按历史记录中用户的最大频率值选择下一个节点；(2)马尔可夫模型：几十年来，被广泛用于位置预测，该模型建立时空混合模型以涵盖预测任务；(3)循环神经网络模型：将轨迹中的位置视为序列模型，并专注于对连续时空信息进行建模，其中最新模型DeepMove将历史注意添加到递归神经网络。由于结果已经说明，DeepMove比原始循环神经网络具有更好的性能。在本实验中，选择DeepMove作为现有技术的循环神经网络模型进行比较。在本实验中，使用不同的参数实现DeepMove的所有三个子模型：(max,dot)，(mean,dot)，(max,concat)。(4)AI-RNN:是本专利技术提出的模型，它考虑相关的外部节点,并通过RNN模型增强意图。前三个模型基于本文档来自技高网...

【技术保护点】
1.基于增强意图的循环神经网络模型预测行人轨迹的方法，其特征在于如下步骤：/nS1)获取轨迹图/n基于用户历史记录构建的图形结构，利用图形神经网络相关模型来描述点的关系，从而获得轨迹图；/nS2)意图增强-语义策略选择/n以下述任一一种语义选择策略来选择节点的一部分作为上下文：/n(1)随机选择策略：目标是计算借点本身和所有邻域节点之间的点的上下文语义信息；/n(2)方向导向策略：选择结点有两个标准：首先，两个附加边应该存在于个体的历史轨迹中；其次，原始路径的方向和增强路径应该是相似的；/n(3)最大概率策略：以三个节点模式(O

【技术特征摘要】
1.基于增强意图的循环神经网络模型预测行人轨迹的方法，其特征在于如下步骤：
S1)获取轨迹图
基于用户历史记录构建的图形结构，利用图形神经网络相关模型来描述点的关系，从而获得轨迹图；
S2)意图增强-语义策略选择
以下述任一一种语义选择策略来选择节点的一部分作为上下文：
(1)随机选择策略：目标是计算借点本身和所有邻域节点之间的...

【专利技术属性】
技术研发人员：金苍宏，林志威，吴明晖，陈亚博，叶惠波，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：浙江;33