一种基于深度生成模型的车辆轨迹数据生成系统技术方案

本发明专利技术通过人工智能领域的方法，实现了一种基于深度生成模型的车辆轨迹数据生成系统，系统结构由两个部分组成：轨迹到轨迹生成器和轨迹到路线判别器。生成器分为编码器和解码器，均采用神经网络方法设计，编码器学习输入的每个原始车辆轨迹的内在特征，通过神经网络方法进行运算处理，最终输出合成的车辆轨迹。本发明专利技术的方案捕捉原始轨迹数据的交通合理性，并生成隐私保护和可研究利用的合成轨迹数据。从隐私保护的角度排除了生成轨迹和原始轨迹之间的对应关系。从可用性的角度具有真实轨迹交通合理性的合成轨迹，可以代替某些实际场景的真实数据。的真实数据。的真实数据。

【技术实现步骤摘要】
一种基于深度生成模型的车辆轨迹数据生成系统


[0001]本专利技术涉及物联网领域，尤其涉及一种基于深度生成模型的车辆轨迹数据生成系统。

技术介绍

[0002]在车联网、智慧城市等场景下存在着大量的智能化服务。其中车辆数据是这些服务的基石，所有的智能化服务和应用都是依托于海量的数据支持而产生的。一方面，轨迹数据帮助人们解决城市中的一切问题，例如，可以利用车辆的历史轨迹来预测其未来的行驶路线，以便我们可以通过控制交通信号来缓解交通拥堵[]。另一方面，轨迹数据的敏感性引发了法律上的隐私担忧。在不保留隐私的情况下直接发布大规模轨迹数据会违反诸如通用数据保护法规(GDPR)[]之类的隐私保护法规，这就是为什么现实世界中的可用轨迹数据如此有限的原因。如果我们能够提供一个有效的隐私保护轨迹数据生成器，将可以为智能化服务的发展提供足够的数据支持而不需要担心隐私泄露。产生实用的轨迹数据非常具有挑战性，该轨迹数据不仅需要消除隐私信息，还需要隐含真实数据所包含的固有特征和空间模式。
[0003]现有技术方案及存在的问题：轨迹数据的隐私保护的常规方法可以分为两本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度生成模型的车辆轨迹数据生成系统，其特征在于：系统结构由两个部分组成：轨迹到轨迹生成器和轨迹到路线判别器。生成器分为编码器和解码器，均采用神经网络方法设计，所述编码器学习输入的每个原始车辆轨迹的内在特征，并将轨迹投影到潜在空间，然后，通过随机采样技术从空间中获取潜在表示，并将其馈送到所述解码器生成合成轨迹，之后对原始轨迹数据和道路网进行预处理，得到每条轨迹的底层路径，最后将真实轨迹和合成轨迹的路段序列提供给所述路线判别器进行真假判别，并将其传递给所述轨迹生成器，提升合成轨迹数据的性能，最终输出合成的车辆轨迹；所述轨迹生成器将真实轨迹通过所述编码器编码为高斯分布，所述解码器从分布中提取潜在代码；所述路线判别器采用神经网络方法实现。2.如权利要求1所述的一种基于深度生成模型的车辆轨迹数据生成系统，其特征在于：所述编码器由双向LSTM神经网络组成，按照轨迹的时间顺序依次读入原始轨迹点的经纬度坐标，并输出原始轨迹数据对应的潜在编码，将其输入到多层感知机中，多层感知机将潜在编码拟合为多元高斯分布，并从中随机采样得到高斯分布的随机变量并被输入到解码器中，所述编码器的所述双向LSTM神经网络将编码器处理轨迹的过程公式化为：所述编码器的所述双向LSTM神经网络将编码器处理轨迹的过程公式化为：所述编码器的所述双向LSTM神经网络将编码器处理轨迹的过程公式化为：其中，τ和τ
r
分别表示真实轨迹的正向和逆向轨迹点序列，h
e
表示由正向隐藏状态和逆向隐藏状态构成的组合隐藏状态，为了进一步编码轨迹的特征，我们将h
e
输入一个多层感知机去拟合一个多元的高斯分布：层感知机去拟合一个多元的高斯分布：其中，μ和σ分别表示平均参数和非负标准差参数的向量，基于μ和σ，编码器构建一个多元的高斯分布它包含了原始轨迹的特征信息，接着从该分布中随机采样并将样本作为潜在编码z：其中
⊙
为元素积。3.如权利要求2所述的一种基于深度生成模型的车辆轨迹数据生成系统，其特征在于：所述解码器由多层感知机和单向LSTM神经网络组成，它接收到变量后连续生成新的合成轨迹，所述单向LSTM神经网络捕获连续轨迹点间的连续依赖关系，编码器通过潜在编码z去解码并生成轨迹...

【专利技术属性】
技术研发人员：沃天宇，孙新越，谢一凡，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：