轨迹恢复模型的获取方法、轨迹恢复方法及装置制造方法及图纸

本申请提供了一种轨迹恢复模型的获取方法、轨迹恢复方法及装置，该方法包括：获取包括多条样本轨迹和每条样本轨迹的完整轨迹的样本数据，每条样本轨迹缺失至少一个轨迹点，对于多条样本轨迹中的每条样本轨迹，以每条样本轨迹和超参数m为轨迹恢复模型的输入，输出每条样本轨迹的恢复轨迹，每条样本轨迹的恢复轨迹的轨迹点数量等于m，根据每条样本轨迹的完整轨迹和每条样本轨迹的恢复轨迹，计算损失函数，调整轨迹恢复模型的模型参数，以得到目标损失函数，目标损失函数用于使每条样本轨迹的完整轨迹和每条样本轨迹的恢复轨迹之间的损失在预设范围内，根据与目标损失函数对应的轨迹恢复模型的模型参数，得到轨迹恢复模型。通过该方法得到的轨迹恢复模型可提高轨迹恢复的准确性。的准确性。的准确性。

【技术实现步骤摘要】
轨迹恢复模型的获取方法、轨迹恢复方法及装置


[0001]本申请实施例涉及数据处理
，尤其涉及一种轨迹恢复模型的获取方法、轨迹恢复方法及装置。

技术介绍

[0002]GPS定位主要用于对移动的人、车及设备进行远程实时定位监控。根据移动物体的GPS定位信息，可以采用轨迹的形式记录移动物体的路线，这些轨迹数据对于基于位置服务的各种应用具有较高的研究价值。然而，由于设备故障、数据传输不稳定或GPS定位不精准等原因，往往无法获取到移动物体在移动过程中连续的GPS定位信息，导致移动物体的轨迹存在大量的中断点，如何进行轨迹恢复尤为重要。
[0003]目前的一种轨迹恢复方法中，采用基于马尔可夫模型的机器学习方法来实现轨迹恢复，具体是根据历史轨迹数据通过统计的方式获取每个轨迹点到下一个候选轨迹点的转移概率，在进行轨迹恢复时，根据转移概率的大小确定缺失轨迹点的恢复轨迹点，进而实现轨迹点的补全。
[0004]然而，上述方法中，候选轨迹点的转移概率是根据历史轨迹数据通过统计的方式得到，在历史轨迹数据的数量较少时，获取的转移概率准确性不高，存在数据稀疏性的问题，因此轨迹恢复的准确性较低。

技术实现思路

[0005]本申请提供一种轨迹恢复模型的获取方法、轨迹恢复方法及装置，以提高轨迹恢复的准确性。
[0006]第一方面，本申请提供一种轨迹恢复模型的获取方法，包括：
[0007]获取样本数据，所述样本数据包括多条样本轨迹和每条样本轨迹的完整轨迹，所述每条样本轨迹缺失至少一个轨迹点，所述多条样本轨迹中的任一轨迹点所在的路段为一路网中的路段；
[0008]对于所述多条样本轨迹中的每条样本轨迹，以所述每条样本轨迹和超参数m为轨迹恢复模型的输入，输出所述样本轨迹的恢复轨迹，所述每条样本轨迹的恢复轨迹的轨迹点数量等于所述m；
[0009]根据所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹，计算损失函数；
[0010]调整所述轨迹恢复模型的模型参数，以得到目标损失函数，所述目标损失函数用于使所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹之间的损失在预设范围内；
[0011]根据与所述目标损失函数对应的所述轨迹恢复模型的模型参数，得到所述轨迹恢复模型。
[0012]第二方面，本申请提供一种轨迹恢复方法，包括：
[0013]获取目标轨迹，所述目标轨迹缺失至少一个轨迹点，所述目标轨迹中的任一轨迹点所在的路段为一路网中的路段；
[0014]将所述目标轨迹输入与所述路网对应的轨迹恢复模型，输出所述目标轨迹的恢复轨迹，所述目标轨迹的恢复轨迹的轨迹点数量等于所述轨迹恢复模型的超参数m，所述目标轨迹的轨迹点数量小于所述m；
[0015]其中，所述轨迹恢复模型根据第一方面及第一方面任一可能的实施方式所述的轨迹恢复模型的获取方法得到。
[0016]第三方面，本申请提供一种轨迹恢复模型的获取装置，包括：
[0017]获取模块，用于获取样本数据，所述样本数据包括多条样本轨迹和每条样本轨迹的完整轨迹，所述每条样本轨迹缺失至少一个轨迹点，所述多条样本轨迹中的任一轨迹点所在的路段为一路网中的路段；
[0018]处理模块，用于对于所述多条样本轨迹中的每条样本轨迹，以所述每条样本轨迹和超参数m为轨迹恢复模型的输入，输出所述样本轨迹的恢复轨迹，所述每条样本轨迹的恢复轨迹的轨迹点数量等于所述m；
[0019]计算模块，用于根据所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹，计算损失函数；
[0020]调整模块，用于调整所述轨迹恢复模型的模型参数，以得到目标损失函数，所述目标损失函数用于使所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹之间的损失在预设范围内；
[0021]确定模块，用于根据与所述目标损失函数对应的所述轨迹恢复模型的模型参数，得到所述轨迹恢复模型。
[0022]第四方面，本申请提供一种轨迹恢复装置，包括：
[0023]获取模块，用于获取目标轨迹，所述目标轨迹缺失至少一个轨迹点，所述目标轨迹中的任一轨迹点所在的路段为一路网中的路段；
[0024]处理模块，用于将所述目标轨迹输入与所述路网对应的轨迹恢复模型，输出所述目标轨迹的恢复轨迹，所述目标轨迹的恢复轨迹的轨迹点数量等于所述轨迹恢复模型的超参数m，所述目标轨迹的轨迹点数量小于所述m；
[0025]其中，所述轨迹恢复模型根据第一方面所述的轨迹恢复模型的获取方法得到。
[0026]第五方面，本申请提供一种轨迹恢复设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，以执行第一方面或第二方面的方法。
[0027]第六方面，本申请提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序使得计算机执行第一方面或第二方面的方法。
[0028]第七方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面的方法。
[0029]综上，在本申请中，通过获取包括多条样本轨迹和每条样本轨迹的完整轨迹的样本数据，其中的样本轨迹缺失至少一个轨迹点，多条样本轨迹中的任一轨迹点所在的路段为一路网中的路段，对于每条样本轨迹，根据轨迹恢复模型得到样本轨迹的恢复轨迹，接着根据每条样本轨迹的完整轨迹和每条样本轨迹的恢复轨迹计算损失函数，调整轨迹恢复模
型的模型参数，以得到目标损失函数，目标损失函数用于使每条样本轨迹的完整轨迹和每条样本轨迹的恢复轨迹之间的损失在预设范围内，最终根据与目标损失函数对应的轨迹恢复模型的模型参数，得到轨迹恢复模型。由于本申请实施例中的轨迹恢复模型是根据一路网中的路段获取的样本轨迹和样本轨迹的真实完整轨迹训练得到的，从而，本申请中的轨迹恢复模型，可根据输入的目标轨迹在路网上找到目标轨迹的一条具有最高后验概率的匹配路径，该匹配路径即为目标轨迹的恢复轨迹，因此，本申请中的轨迹恢复模型可实现对缺失轨迹点的准确挖掘，能够提高轨迹恢复的准确性。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本申请实施例提供的一种轨迹恢复方法的流程示意图；
[0032]图2为本申请实施例提供的一种轨迹恢复模型的获取方法的流程图；
[0033]图3为本申请实施例提供的一种轨迹恢复模型的结构示意图；
[0034]图4为本申请实施例提供的一种注意力模型的处理流程示意图；
[0035]图5为本申请实施例提供的一种轨迹恢复方法的流程示意图；
[0036]图6为本申请实施例提供的一种轨迹恢复模型的获取装置的结构示意图；
[0037]图7为本申请实施例提供的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹恢复模型的获取方法，其特征在于，包括：获取样本数据，所述样本数据包括多条样本轨迹和每条样本轨迹的完整轨迹，所述每条样本轨迹缺失至少一个轨迹点，所述多条样本轨迹中的任一轨迹点所在的路段为一路网中的路段；对于所述多条样本轨迹中的每条样本轨迹，以所述每条样本轨迹和超参数m为轨迹恢复模型的输入，输出所述样本轨迹的恢复轨迹，所述每条样本轨迹的恢复轨迹的轨迹点数量等于所述m；根据所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹，计算损失函数；调整所述轨迹恢复模型的模型参数，以得到目标损失函数，所述目标损失函数用于使所述每条样本轨迹的完整轨迹和所述每条样本轨迹的恢复轨迹之间的损失在预设范围内；根据与所述目标损失函数对应的所述轨迹恢复模型的模型参数，得到所述轨迹恢复模型。2.根据权利要求1所述的方法，其特征在于，所述轨迹恢复模型包括编码器和解码器，所述编码器包括n个第一长短期记忆网络LSTM模型，所述解码器包括多个第二LSTM模型。3.根据权利要求2所述的方法，其特征在于，所述解码器还包括多个注意力模型。4.根据权利要求3所述的方法，其特征在于，所述以所述每条样本轨迹和超参数m为轨迹恢复模型的输入，输出所述样本轨迹的恢复轨迹，包括：确定待使用的所述注意力模型和待使用的所述第二LSTM模型的数量均为所述m；对于所述每条样本轨迹，若所述样本轨迹包括k个轨迹点，以所述k个输入向量分别作为所述n个第一LSTM模型中的所述k个第一LSTM模型的输入，通过所述k个第一LSTM模型得到上下文向量，所述k小于或等于所述n，一个所述输入向量为一个轨迹点与待输入所述第一LSTM模型的权重矩阵的积，一个所述轨迹点为一个二元组(rk，tk)，所述rk为所述轨迹点所在的路段的标识，所述tk为所述轨迹点的时间戳；以所述上下文向量作为所述m个注意力模型中每个所述注意力模型的输入，通过所述m个注意力模型和所述m个第二LSTM模型，输出所述样本轨迹的恢复轨迹。5.根据权利要求4所述的方法，其特征在于，所述第一LSTM模型用于：根据输入至所述第一LSTM模型的所述输入向量、所述第一LSTM模型的上一层第一LSTM模型传递到所述第一LSTM模型的时空状态信息c
t
‑1和所述第一LSTM模型的上一层第一LSTM模型输出的所述上下文向量中的元素h
t
‑1，生成所述上下文向量中的元素h
t
，其中，t＝0,1,2，
…
k，c0和h0为预定义参数。6.根据权利要求4所述的方法，其特征在于，所述注意力模型用于：根据所述上下文向量和所述注意力模型所在层级i的上一层的第二LSTM模型输出的信息量权重h
’
i
‑1，生成目标上下文向量e
i
，i＝1,2，
…
m；将所述目标上下文向量e
i
输入至第i层的所述第二LSTM模型；所述第二LSTM模型用于：根据所述目标上下文向量e
i
、所述第二LSTM模型的上一层第二LSTM模型传递到所述第二LSTM模型的时空状态信息c
’
i
‑1和所述第二LSTM模型的上一层第二LSTM模型输出的信息量权重h
’
i
‑1，生成所述第二LSTM模型的信息量权重h
’
i
，c
’0和h
’0为预定义参数；将所述第二LSTM模型的信息量权重h
’
i
输入至所述第二LSTM模型的下一层第二LSTM模
型和所述第二LSTM模型的下一层注意力模型；解码所述目标上下文向量e
i
，得到对应的轨迹点W
’
i
，并根据所述目标上下文向量e
i
和所述第二LSTM模型的信息量权重h
’
i
进行激活函数处理以输出所述轨迹点W
’
i
。7.根据权利要求6所述的方法，其特征在于，所述根据所述上下文向量和所述注意力模型所在层级i的上一层的第二LSTM模型输出的信息量权重h
’
i
‑1，生成目标上下...

【专利技术属性】
技术研发人员：于锡祥，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：