一种基于深度学习的信令轨迹恢复方法、系统及存储介质技术方案

本发明专利技术提供一种基于深度学习的信令轨迹恢复方法、系统及存储介质，所述方法包括：分别获取当前信令轨迹数据和历史信令轨迹数据；将第一预设时间段和第二预设时间段划分为多个时间区间，确定各时间区间的轨迹保留点；根据历史信令轨迹数据确定基站转移概率矩阵，并获取空间注意力数据；生成基站表征向量，确定各时间区间的位置表征向量和时间表征向量，基于位置表征向量和时间表征向量之和确定历史轨迹注意力数据；将当前信令轨迹数据中的基站表征向量和对应的时间表征向量之和输入至编码器获得轨迹表征向量，获取编码器注意力数据；将轨迹表征向量、空间注意力数据、历史轨迹注意力数据以及编码器注意力数据输入至解码器，得到预测的信令轨迹序列。得到预测的信令轨迹序列。得到预测的信令轨迹序列。

【技术实现步骤摘要】
一种基于深度学习的信令轨迹恢复方法、系统及存储介质


[0001]本专利技术涉及大数据挖掘
，尤其涉及一种基于深度学习的信令轨迹恢复方法、系统及存储介质。

技术介绍

[0002]信令轨迹数据是一种重要的数据资源，是城市中人、车、物移动过程中相关传感器设备(如手机)产生的海量具有时间、空间双重属性的数据。信令轨迹数据可以揭示人、车、物的移动规律，近年来被广泛应用于交通流量预测、实时人口统计分析、疫情密接人员挖掘等智慧城市的各个领域。然而，由于数据采集设备配置、数据传输存在的缺陷等原因，信令轨迹数据通常具有采样稀疏性和不均匀性。稀疏、不均匀的轨迹数据对于轨迹相似度分析、轨迹模式挖掘等上层应用产生严重影响。
[0003]目前针对GPS的轨迹恢复，Ren等人提出了一种基于路网匹配和深度学习模型的轨迹恢复技术，但该轨迹恢复技术依赖于路网数据；Xia等人提出了一种基于注意力机制的轨迹恢复技术，从历史轨迹中学习周期性轨迹模式用于缺失轨迹点的预测，然而单纯的注意力机制无法较好地学习到轨迹数据的时序特征。由于信令轨迹数据中的位置不是用户的经纬度位置，而是由基站ID表示的，通过基站ID关联基站位置获取相应的经纬度信息，这一特点使得信令轨迹数据与GPS等轨迹数据不同，因而现有的针对GPS的轨迹恢复技术难以将稀疏且不均匀的信令轨迹数据高效且准确的恢复为高采样率、均匀的信令轨迹数据。因此，如何最大程度的恢复用户的真实信令轨迹是亟待解决的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于深度学习的信令轨迹恢复方法、系统及存储介质，以解决现有技术中存在的一个或多个问题。
[0005]根据本专利技术的一个方面，本专利技术公开了一种基于深度学习的信令轨迹恢复方法，所述方法包括：分别获取第一预设时间段内的当前信令轨迹数据和第二预设时间段内的历史信令轨迹数据，所述当前信令轨迹数据和历史信令轨迹数据均包括多个轨迹点信息，各所述轨迹点信息包括用户编码信息、基站编码信息和时间戳信息；
[0006]按照预设时间间隔将所述第一预设时间段和所述第二预设时间段分别划分为多个时间区间，基于所述当前信令轨迹数据确定各当前轨迹序列的各时间区间的轨迹保留点；
[0007]根据历史信令轨迹数据或基站信息数据生成基站表征向量，根据所述历史信令轨迹数据确定基站转移概率矩阵，以所述基站转移概率矩阵内的基站转移概率数据为权重确定空间注意力数据，所述空间注意力数据包括第一键向量和第一值向量；
[0008]基于所述基站表征向量确定历史信令轨迹数据中各历史轨迹序列的各时间区间的位置表征向量，基于各时间区间的时间信息确定各时间区间的时间表征向量，并基于所述位置表征向量和所述时间表征向量之和确定历史轨迹注意力数据，所述历史轨迹注意力
数据包括第二键向量和第二值向量；
[0009]将当前信令轨迹数据中的各轨迹保留点对应的基站表征向量和相应时间区间的时间表征向量之和输入至编码器获得轨迹表征向量，并基于所述编码器的注意力机制确定编码器注意力数据，所述编码器注意力数据包括第三键向量和第三值向量；
[0010]将所述轨迹表征向量、空间注意力数据、历史轨迹注意力数据以及编码器注意力数据输入至解码器，得到预测的信令轨迹序列。
[0011]在本专利技术的一些实施例中，基于所述当前信令轨迹数据确定各当前轨迹序列的各时间区间的轨迹保留点，包括：
[0012]基于所述当前信令轨迹数据获取各当前轨迹序列的各时间区间内的轨迹点信息；
[0013]确定各当前轨迹序列的各时间区间内被附着的数量最多的基站；
[0014]以所述被附着的数量最多的基站以及对应时间区间的起始时间确定轨迹保留点。
[0015]在本专利技术的一些实施例中，根据所述历史信令轨迹数据确定基站转移概率矩阵，包括：
[0016]对所述历史信令轨迹数据中的各历史轨迹序列的轨迹点根据时间排序；
[0017]基于任意两个时间相邻轨迹点对应的基站编码信息构建基站切换关系数据；
[0018]基于所述基站切换关系数据计算各基站切换关系数据对应的基站转移概率；
[0019]基于计算到的所述基站转移概率生成基站转移概率矩阵。
[0020]在本专利技术的一些实施例中，根据历史信令轨迹数据或基站信息数据生成基站表征向量，包括：
[0021]基于所述历史信令轨迹数据或基站信息数据构建基站关系图谱；其中，所述基站关系图谱中以基站编码信息为节点，基站之间的距离为边；
[0022]基于所述基站关系图谱通过图神经网络或图嵌入学习模型进行学习，以获得基站表征向量。
[0023]在本专利技术的一些实施例中，基于所述基站表征向量确定历史信令轨迹数据中各历史轨迹序列的各时间区间的位置表征向量，包括：
[0024]获取各历史轨迹序列的各时间区间内各轨迹点的基站表征向量；
[0025]基于各时间区间的各轨迹点的基站表征向量求平均得到对应时间区间的位置表征向量。
[0026]在本专利技术的一些实施例中，所述时间表征向量的计算公式为：
[0027][0028][0029]其中，i表示第i个时间区间，t表示时间表征，time
i
表示第i个时间区间的起始时间戳，d表示所述位置表征向量的长度，2j、2j+1表示所述位置表征向量中的奇偶位置。
[0030]在本专利技术的一些实施例中，所述编码器和解码器均包括多个GRU单元，所述GRU单元数量与所述时间区间的数量相同。
[0031]在本专利技术的一些实施例中，所述第一键向量为所述基站表征向量，所述第一值向量为所述基站表征向量的加权和，所述第二键向量和所述第二值向量均为所述位置表征向量和所述时间表征向量之和，所述第三键向量和所述第三值向量均为所述编码器中的GRU
单元的输出向量。
[0032]根据本专利技术的另一方面，还公开了一种基于深度学习的信令轨迹恢复系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例任意一项所述方法的步骤。
[0033]另外，本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
[0034]本专利技术所公开的基于深度学习的信令轨迹恢复方法及系统基于历史信令轨迹数据对网络模型进行训练，且基于编码器输出的轨迹表征向量及空间注意力数据、历史轨迹注意力数据以及编码器注意力数据得到预测的信令轨迹数据，该方法可高效且准确的将稀疏、不均匀的信令轨迹数据恢复为高采样率、均匀地信令轨迹序列，从而该方法及系统最大程度的恢复了用户的真实信令轨迹。
[0035]本专利技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本专利技术的实践而获知。本专利技术的目的和其它优点可以通过在书面说明及其权利要求书以及附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的信令轨迹恢复方法，其特征在于，所述方法包括：分别获取第一预设时间段内的当前信令轨迹数据和第二预设时间段内的历史信令轨迹数据，所述当前信令轨迹数据和历史信令轨迹数据均包括多个轨迹点信息，各所述轨迹点信息包括用户编码信息、基站编码信息和时间戳信息；按照预设时间间隔将所述第一预设时间段和所述第二预设时间段分别划分为多个时间区间，基于所述当前信令轨迹数据确定各当前轨迹序列的各时间区间的轨迹保留点；根据历史信令轨迹数据或基站信息数据生成基站表征向量，根据所述历史信令轨迹数据确定基站转移概率矩阵，以所述基站转移概率矩阵内的基站转移概率数据为权重确定空间注意力数据，所述空间注意力数据包括第一键向量和第一值向量；基于所述基站表征向量确定历史信令轨迹数据中各历史轨迹序列的各时间区间的位置表征向量，基于各时间区间的时间信息确定各时间区间的时间表征向量，并基于所述位置表征向量和所述时间表征向量之和确定历史轨迹注意力数据，所述历史轨迹注意力数据包括第二键向量和第二值向量；将当前信令轨迹数据中的各轨迹保留点对应的基站表征向量和相应时间区间的时间表征向量之和输入至编码器获得轨迹表征向量，并基于所述编码器的注意力机制确定编码器注意力数据，所述编码器注意力数据包括第三键向量和第三值向量；将所述轨迹表征向量、空间注意力数据、历史轨迹注意力数据以及编码器注意力数据输入至解码器，得到预测的信令轨迹序列。2.根据权利要求1所述的基于深度学习的信令轨迹恢复方法，其特征在于，基于所述当前信令轨迹数据确定各当前轨迹序列的各时间区间的轨迹保留点，包括：基于所述当前信令轨迹数据获取各当前轨迹序列的各时间区间内的轨迹点信息；确定各当前轨迹序列的各时间区间内被附着的数量最多的基站；以所述被附着的数量最多的基站以及对应时间区间的起始时间确定轨迹保留点。3.根据权利要求1所述的基于深度学习的信令轨迹恢复方法，其特征在于，根据所述历史信令轨迹数据确定基站转移概率矩阵，包括：对所述历史信令轨迹数据中的各历史轨迹序列的轨迹点根据时间排序；基于任意两个时间相邻轨迹点对应的基站编码信息构建基站切换关系数据；基于所述基站切换关系数据计算各基站切换关系数据对应...

【专利技术属性】
技术研发人员：司俊俊，羊晋，涂波，
申请(专利权)人：和智信山东大数据科技有限公司，
类型：发明
国别省市：