移动位置的预测方法及相关设备技术

本申请提供一种移动位置的预测方法及相关设备。所述方法包括：对原始轨迹进行分段，对原始轨迹数据段中的细胞状态进行更新；对原始轨迹数据段进行特征提取；将得到的局部时间特征编码和所述局部空间特征编码进行拼接，得到局部时空特征编码；对局部时空特征编码中的双向依赖关系进行捕获，并对原始轨迹数据段的权重进行分配，计算得到移动的最终预测位置。本申请实施例采用分层式的特征提取方法实现轨迹预测，在保留有用信息的同时对降低轨迹数据的复杂性，之后结合注意力机制提取轨迹的全局时空特征信息，让模型能够识别各个子段在预测中的重要性，以避免长程依赖关系的丢失，最终能够对车辆未来特定时刻的移动位置进行预测。能够对车辆未来特定时刻的移动位置进行预测。能够对车辆未来特定时刻的移动位置进行预测。

【技术实现步骤摘要】
移动位置的预测方法及相关设备


[0001]本申请涉及位置预测
，尤其涉及一种移动位置的预测方法及相关设备。

技术介绍

[0002]现有预测方法为了规避数据稀疏问题大多只截取部分轨迹作为模型输入，最终无可避免地导致了轨迹信息的损失。
[0003]另外现有的移动预测研究只在目的地预测中提取了轨迹的空间特征，而未将其利用于预测车辆未来特定时刻的移动位置。
[0004]此外，目前的时序数据处理模型普遍基于RNN网络进行构建，易产生梯度消失问题，难以提取轨迹的长程依赖关系。并且没有利用轨迹数据起点与终点附近信息对预测结果影响更大的特性。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种移动位置的预测方法及相关设备。
[0006]基于上述目的，本申请提供了一种移动位置的预测方法，包括：
[0007]对获取的原始轨迹数据进行分段，得到原始轨迹数据段；
[0008]利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码；
[0009]利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码；
[0010]将每个所述原始轨迹数据段的所述局部时间特征编码和所述局部空间特征编码进行拼接，得到局部时空特征编码；
[0011]利用构建的融入注意力机制的双向长短期记忆网络对所述局部时空特征编码中的双向依赖关系进行捕获，并对每一所述原始轨迹数据段的权重进行分配，计算得到移动的最终预测位置。
[0012]在一种可能的实现方式中，所述对获取的原始轨迹数据进行分段，得到原始轨迹数据段，包括：
[0013]对获取的原始轨迹数据以固定时间间隔进行分段并按照所述原始轨迹数据的原始顺序排列，得到原始轨迹数据段。
[0014]在一种可能的实现方式中，所述长短期时间记忆网络编码器包括：遗忘门、输入门和输出门；
[0015]所述利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码，包括：
[0016]利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率；
[0017]利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；
[0018]根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞
状态；
[0019]基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征编码。
[0020]在一种可能的实现方式中，所述利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码，包括：
[0021]对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像；
[0022]对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征编码。
[0023]在一种可能的实现方式中，所述对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，包括：
[0024]将每一所述原始轨迹数据段中的起点和终点间连线的中点作为所述二位矩阵图像的中心点；
[0025]将每一所述原始轨迹数据段所属的地理空间进行平均划分，得到网格空间；
[0026]在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。
[0027]在一种可能的实现方式中，所述对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征编码，包括：
[0028]对所述二维矩阵图像进行卷积和池化处理，以提取所述二维矩阵图像的低层空间特征；
[0029]对所述低层特征进行卷积和池化处理，以提取所述二维矩阵图像的高层空间特征；
[0030]将所述高层空间特征进行折叠，得到所述局部空间特征编码。
[0031]在一种可能的实现方式中，所述利用构建的融入注意力机制的双向长短期记忆网络对所述局部时空特征编码中的双向依赖关系进行捕获，并对每一所述原始轨迹数据段的权重进行分配，计算得到移动的最终预测位置，包括：
[0032]在所述融入注意力机制的双向长短期记忆网络中，将所述原始轨迹数据段输入前向长短期记忆网络隐藏层单元，得到第一单元输出；将所述原始轨迹数据段输入后向长短期记忆网络隐藏层单元，得到第二单元输出；对所述第一单元输出和所述第二单元输出进行拼接，得到完整的隐藏层输出；将所述完整的隐藏层输出输入注意力层计算得到每一所述原始轨迹数据段的权重；将所述权重传入全连接层进行降维，计算得到所述移动的最终预测位置。
[0033]基于同一专利技术构思，本申请实施例还提供了一种移动位置的预测装置，包括：
[0034]分段模块，被配置为对获取的原始轨迹数据进行分段，得到原始轨迹数据段；
[0035]更新模块，被配置为利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码；
[0036]特征提取模块，被配置为利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码；
[0037]拼接模块，被配置为将每个所述原始轨迹数据段的所述局部时间特征编码和所述局部空间特征编码进行拼接，得到局部时空特征编码；
[0038]预测模块，被配置为利用构建的融入注意力机制的双向长短期记忆网络对所述局部时空特征编码中的双向依赖关系进行捕获，并对每一所述原始轨迹数据段的权重进行分
配，计算得到移动的最终预测位置。
[0039]基于同一专利技术构思，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的移动位置的预测方法。
[0040]基于同一专利技术构思，本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的移动位置的预测方法。
[0041]从上面所述可以看出，本申请提供的移动位置的预测方法及相关设备，对获取的原始轨迹数据进行分段，得到原始轨迹数据段；利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码；利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码；将每个所述原始轨迹数据段的所述局部时间特征编码和所述局部空间特征编码进行拼接，得到局部时空特征编码；利用构建的融入注意力机制的双向长短期记忆网络对所述局部时空特征编码中的双向依赖关系进行捕获，并对每一所述原始轨迹数据段的权重进行分配，计算得到移动的最终预测位置。本申请针对车辆轨迹数据复杂度高的问题，采用分层式的特征提取方法实现轨迹预测。先进行轨迹分段并进行局部时空特征编码，在保留有用信息的同时对降低轨迹数据的复杂性，进而解决数据稀疏问题。之后结合注意力机制提取轨迹的全局时空特征信息，让模型识别各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动位置的预测方法，其特征在于，包括：对获取的原始轨迹数据进行分段，得到原始轨迹数据段；利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码；利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码；将每个所述原始轨迹数据段的所述局部时间特征编码和所述局部空间特征编码进行拼接，得到局部时空特征编码；利用构建的融入注意力机制的双向长短期记忆网络对所述局部时空特征编码中的双向依赖关系进行捕获，并对每一所述原始轨迹数据段的权重进行分配，计算得到移动的最终预测位置。2.根据权利要求1所述的方法，其特征在于，所述对获取的原始轨迹数据进行分段，得到原始轨迹数据段，包括：对获取的原始轨迹数据以固定时间间隔进行分段并按照所述原始轨迹数据的原始顺序排列，得到原始轨迹数据段。3.根据权利要求1所述的方法，其特征在于，所述长短期时间记忆网络编码器包括：遗忘门、输入门和输出门；所述利用构建的长短期时间记忆网络编码器对每一所述原始轨迹数据段中的细胞状态进行更新，得到局部时间特征编码，包括：利用所述遗忘门对所述原始轨迹数据段进行处理，得到信息保留率；利用所述输入门对所述原始轨迹数据段进行处理，得到候选状态；根据所述信息保留率和所述候选状态对细胞状态进行更新，计算得到更新的细胞状态；基于所述更新的细胞状态，利用所述输出门计算得到所述局部时间特征编码。4.根据权利要求1所述的方法，其特征在于，所述利用构建的卷积神经网络模型编码器对所述原始轨迹数据段进行特征提取，得到局部空间特征编码，包括：对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像；对所述二维矩阵图像进行卷积和池化处理，得到所述局部空间特征编码。5.根据权利要求4所述的方法，其特征在于，所述对所述原始轨迹数据段进行图像化处理，得到二维矩阵图像，包括：将每一所述原始轨迹数据段中的起点和终点间连线的中点作为所述二位矩阵图像的中心点；将每一所述原始轨迹数据段所属的地理空间进行平均划分，得到网格空间；在所述网格空间中，以预定义的像素值对所述原始轨迹数据段中的轨迹进行表示，得到所述二维矩阵图像。6.根据权利要求4所述的方法，其特征在...

【专利技术属性】
技术研发人员：时岩，王梓，陈山枝，李志刚，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：