基于增强型循环神经网络的轨迹相似性计算方法技术

本发明专利技术涉及一种基于增强型循环神经网络的轨迹相似性计算方法，包括：步骤1、将由经纬度点序列集成的车辆轨迹数据集作为总体数据集；步骤2、采用增强型循环神经网络对轨迹进行网格化处理；步骤3、采用带记忆模块的增强型RNN编码器对当前轨迹序列进行编码；步骤4、建立由种子池导引的网络度量排序学习模型学习轨迹的相似性；步骤5、引入相应的注意力机制计算相似轨迹列表的损失，进行反向传播；步骤6、基于车辆轨迹对引入注意力机制的排序学习模型进行实验。本发明专利技术的有益效果是：抛弃了传统的点匹配算法，采用深度学习方法，在传统的RNN模型基础上引入了记忆模块，并使用了注意力机制用以维护相似序列列表，开拓了一个新思路。

Calculation method of trajectory similarity based on enhanced cyclic neural network

【技术实现步骤摘要】
基于增强型循环神经网络的轨迹相似性计算方法
本专利技术涉及一种轨迹相似性计算方法。主要是一种引入了记忆模块的循环神经网络(RNN)作为模型编码器，对轨迹序列进行编码，并维护相似轨迹序列表的新思路，将其应用于轨迹相似性计算的方法。
技术介绍
轨迹相似性计算由于其广泛的应用前景而得到了广泛的研究，迄今为止已经取得了许多研究成果，在车辆路线搜索，旅游路线查询，动物的迁徙路线定位甚至于股票走势等诸多领域有相当的应用前景。由于物联网的发展，全球定位系统嵌入式设备也随之大范围地应用，使得轨迹数据越发的易于收集，极大促进了轨迹相似性研究的发展。然而，由于大规模数据的采集，加之原有轨迹相似性计算方法的二次时间复杂度，在计算时间上是不可忍受的。传统的轨迹相似性计算方法大部分基于点匹配的思路，可解释性强且易于操作，但在许多应用场景中准确率不高，且面对噪声，抵抗性较弱，且由于是动态计算轨迹相似度，导致了算法时间复杂度高。因此，提出一种基于增强型循环神经网络的轨迹相似性计算方法，就显得尤为重要。
技术实现思路
本专利技术的目的在于克本文档来自技高网...

【技术保护点】
1.一种基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，具体包括如下步骤：/n步骤1、将由经纬度点序列集成的车辆轨迹数据集作为总体数据集，在总体数据集中随机采样N条轨迹作为种子池，并使用动态规整方法计算出一个对称的N×N距离矩阵，对该距离矩阵做正则化处理，作为模型的训练导引；/n步骤2、采用增强型循环神经网络对轨迹进行网格化处理，对输入轨迹进行编码；所述增强型循环神经网络是基于网格的记忆网络；/n步骤2.1、将基于网格的记忆网络的空间分割成P×Q的网格胞：R

【技术特征摘要】
1.一种基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，具体包括如下步骤：
步骤1、将由经纬度点序列集成的车辆轨迹数据集作为总体数据集，在总体数据集中随机采样N条轨迹作为种子池，并使用动态规整方法计算出一个对称的N×N距离矩阵，对该距离矩阵做正则化处理，作为模型的训练导引；
步骤2、采用增强型循环神经网络对轨迹进行网格化处理，对输入轨迹进行编码；所述增强型循环神经网络是基于网格的记忆网络；
步骤2.1、将基于网格的记忆网络的空间分割成P×Q的网格胞：RP×Q×d为记忆模块的维度；其中P和Q为设定常数，d为RNN中循环神经网络单元的数量；对于每一个轨迹输入将其映射成一个网格序列其中和代表第t个步长的输入分量；
步骤2.2、将任意一个输入的轨迹点序列规范化，形成模型的标准输入；
步骤3、采用带记忆模块的增强型RNN编码器，对当前轨迹序列进行编码：在步骤2的基础上引入记忆模块，记录处理过的轨迹信息，并将轨迹信息的编码输入记忆模块；记忆模块定义有：读操作，根据需求在记忆模块中读取相似信息；写操作，记录更新轨迹信息；
步骤4、建立由种子池导引的网络度量排序学习模型，通过种子池的轨迹信息学习轨迹的相似性；采用基于距离权重的采样策略，对每一条轨迹找到种子池距离矩阵对应的行向量，作为采样依据，并据此维护相似轨迹列表，进行排序学习；
步骤5、对于维护后的相似轨迹列表，引入相应的注意力机制计算相似轨迹列表的损失，对于引入注意力机制的排序学习模型进行反向传播；
步骤6、基于车辆轨迹对引入注意力机制的排序学习模型进行实验。


2.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述的记忆模块存储空间中已网格化处理过的轨迹信息，支持对轨迹的编码，支持检索已处理存储在记忆模块中的轨迹，支持实时更新记忆模块中的信息记录。


3.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述带记忆模块的增强型RNN编码器的核心是导入的记忆模块，记忆模块中的每一个存储单元(p,q,:),都存储着网格胞(p,q)编码好的轨迹向量；所有的轨迹向量在训练之前都初始化为0。


4.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述记忆模块采用带记忆模块的增强型RNN编码器将当前轨迹序列与先前处理过的相似轨迹序列关联：在每一个时间步长t内，循环神经网络单元接收输入分量和该单元从上层单元接收的隐藏状态ht-1，并且得到该单元的隐藏状态ht，传给下一个循环神经网络单元。


5.根据权利要求4所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述的带记忆模块的增强型RNN编码器使用逻辑门机制控制调整网络参数，根据训练调整的网络参数来计算每一个循环神经网络单元的状态参数，带记忆模块的增强型RNN编码器的循环调参步骤遵循以下规则：









上式中，ft为遗忘门，it为输入门，st为空间门，ot为输出门，bc为偏置参数，Wg∈R4d×2,Ug∈R4d×d,Wc∈Rd×2,Uc∈Rd×d,其中d为隐藏状态的数量，R4d×2、R4d×d、Rd×2和Rd×d都为二维实数空间，Wg、Ug、Wc和Uc均为权重参数；循环神经网络单元应用sigmoid函数对输入的轨迹坐标和已处理循环神经网络单元的隐藏状态ht-1进行转换，获得隐藏状态ht，并获得4个门状态的更新值，通过4个门状态，计...

【专利技术属性】
技术研发人员：陈垣毅，陈文望，郑增威，
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