【技术实现步骤摘要】
基于生成对抗网络的城市人群轨迹生成方法及装置
[0001]本专利技术涉及生成对抗网络
，尤其涉及一种基于生成对抗网络的城市人群轨迹生成方法及装置。
技术介绍
[0002]城市人群移动仿真在实际生活和生产环境中有着广泛的应用。通过获取人群在连续空间中的移动轨迹，不仅可以研究人群的生活规律，而且还能够有助于完成诸如城市规划、自动驾驶等决策问题。轨迹生成会受到各种因素的影响，例如虽然同一个人在同一个起始点，但是在不同的时间条件下，例如早晚高峰和特殊节假日，其所产生的轨迹可能是不同的。其次，受制于个体的移动模式，人群的移动轨迹在空间分布上具有较强的约束。因此为了得到更加真实的轨迹，需要在能够捕捉到人群在不同环境下的移动模式的前提下确保生成轨迹在空间上的连续性。近年来，大量的轨迹仿真模型被提出，这些方法大致可以被分为两类：基于专家知识的轨迹仿真模型和数据驱动的轨迹仿真模型。
[0003]基于专家知识的轨迹仿真模型的优点在于参数的可解释性，只要能够制定出移动的规则，就能够在不同的环境中对不同的人群移动模式进行仿真，而且生成...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的城市人群轨迹生成方法，其特征在于，包括：获取城市人群的生成轨迹的时间标签，并确定所述生成轨迹的轨迹起始点；将所述时间标签和轨迹起始点输入至已训练完成的生成对抗网络模型中，得到符合所述时间标签的城市人群的移动轨迹；所述训练完成的生成对抗网络模型包括训练完成的条件生成器和训练完成的判别器，所述条件生成器是基于所述判别器的反馈进行训练得到的，所述判别器是基于真实轨迹数据集和所述条件生成器输出的生成轨迹数据集进行训练得到的。2.根据权利要求1所述的基于生成对抗网络的城市人群轨迹生成方法，其特征在于，所述生成对抗网络模型的训练方法包括：获取城市人群的原始轨迹数据集；建立待训练的生成对抗网络模型，所述待训练的生成对抗网络模型包括待训练的条件生成器和待训练的判别器；对所述原始轨迹数据集进行数据预处理，得到真实轨迹数据集，对不完整的生成轨迹进行特征融合，得到第一特征序列，将所述不完整的生成轨迹输入到所述待训练的条件生成器中，得到完整的生成轨迹，对所述完整的生成轨迹或真实轨迹进行特征融合，得到第二特征序列；其中，不完整的生成轨迹是所述待训练的条件生成器基于轨迹起点进行随机采样得到的；基于判别器的反馈对所述待训练的条件生成器进行训练，得到生成轨迹数据集，基于所述生成轨迹数据集和真实轨迹数据集对所述判别器进行训练，若所述生成轨迹数据集和真实轨迹数据集的JS散度达到目标值，得到训练完成的生成对抗网络模型。3.根据权利要求2所述的基于生成对抗网络的城市人群轨迹生成方法，其特征在于，所述基于判别器的反馈对所述待训练的条件生成器进行训练，得到生成轨迹数据集，基于所述生成轨迹数据集和真实轨迹数据集对所述判别器进行训练，若所述生成轨迹数据集和真实轨迹数据集的JS散度达到目标值，得到训练完成的生成对抗网络模型，包括：将所述第一特征序列输入至所述待训练的条件生成器中，得到候选位置点的分布概率，基于所述分布概率对所述候选位置点进行动作空间裁剪，在所述候选位置点中选取目标位置点，循环获取多个目标位置点，对所述多个目标位置点进行组合得到生成轨迹，基于所述判别器的反馈对所述条件生成器进行训练；基于多个所述生成轨迹得到所述生成轨迹数据集，将所述生成轨迹数据集和真实轨迹数据集输入至所述待训练的判别器中，得到第一置信度和第二置信度，基于所述第一置信度、第二置信度和交叉熵损失函数对所述待训练的判别器进行训练，并确定JS散度，若所述JS散度达到目标值，得到训练完成的生成对抗网络模型。4.根据权利要求2所述的基于生成对抗网络的城市人群轨迹生成方法，其特征在于，对所述原始轨迹数据集进行数据预处理，得到真实轨迹数据集之后，还包括：统计所述真实轨迹数据集中的每个小时内的轨迹数量，以及统计每个小时内各地点作为轨迹起点的频率分布；基于所述轨迹数量随机选取目标小时作为新轨迹的时间标签，基于所述频率分布选取目标地点作为轨迹起点；基于所述时间标签和所述轨迹起点确定所述生成轨迹。
5.根据权利要求4所述的基于生成对抗网络的城市人群轨迹生成方法，其特征在于，所述对不完整的生成轨迹进行特征融合，得到第一特征序列，将所述不完整的生成轨迹输入到所述待训练的条件生成器中，得到完整的生成轨迹，对所述完整的生成轨迹或真实轨迹进行特征融合，得到第二特征序列，包括：基于所述不完整的生成轨迹的时间标签确定条件特征；将原始轨迹...
【专利技术属性】
技术研发人员：胡铮，苏子扬，朱新宁，龚浩峰，王一帆，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。