本发明专利技术公开了一种出行轨迹生成、深度学习网络模型及训练方法，该方法包括：构建深度学习网络，获取道路网络并根据所述道路网络中各个路段的邻接关系，构建邻接矩阵，将所述邻接矩阵嵌入深度学习网络；通过训练数据对嵌入后的所述所述深度学习网络进行训练；获取出发地、目的地和当前位置；将所述出发地、目的地和当前位置输入至训练好的所述深度学习网络生成出行轨迹；本发明专利技术将各个路段的邻接关系以邻接矩阵的方式嵌入深度学习网络，避免了非相邻路段带来的轨迹不连续问题。路段带来的轨迹不连续问题。路段带来的轨迹不连续问题。
【技术实现步骤摘要】
一种出行轨迹生成、深度学习网络模型及训练方法
[0001]本专利技术涉及大数据人工智能
，更具体的说是涉及一种出行轨迹生成、深度学习网络模型及训练方法。
技术介绍
[0002]轨迹生成研究能够支撑智慧城市领域中的诸多下游应用，如城市基础设施规划、轨迹数据隐私保护、流行病扩散分析等。
[0003]针对于轨迹生成问题，研究人员使用生成式深度神经网络模型来生成轨迹，其中主要使用生成对抗网络(GAN)和变分自动编码器(VAE)等神经网络生成模型范式。与基于手工设计机制的方法不同，深度神经网络方法放弃了针对于特定个体出行机制的构建，而是直接利用神经网络来学习轨迹数据的真实潜层分布，并从相同的分布生成合成轨迹。得益于深度神经网络的深度与自学习性，GAN和VAE等生成模型范式可以同时捕获不同方面的个体出行规律。此外，深度神经网络模型还可以学习到传统方法中人工难以分析与构建的高维、非线性规律。因此，基于深度神经网络的模型能够比传统基于手工设计机制的方法生成更真实地轨迹数据。
[0004]然而，现有基于深度神经网络的生成模型仍然存在着以下三项问题尚未解决：(1)首先，现有生成模型忽略了生成轨迹的连续性问题。当前方法生成的轨迹不是道路网络上的连续轨迹，这使得这些合成轨迹无法用于交通模拟等下游应用中。(2)其次，现有生成模型没有充分利用人群移动模式知识，从而在模型训练效率与表现上欠佳。(3)第三，现有方法的随机生成过程存在误差累积问题。即在现有方法中，轨迹是根据生成器给定的概率随机生成的。然而一旦生成器预测错误，该过程会在错误的前提下继续生成，从而降低生成轨迹的质量。
[0005]因此，如何提供一种出行轨迹生成、深度学习网络模型及训练方法是本领域技术人员亟需解决的问题。
技术实现思路
[0006]有鉴于此，本专利技术提供了一种出行轨迹生成、深度学习网络模型及训练方法，将各个路段的邻接关系以邻接矩阵的方式嵌入深度学习网络，避免了非相邻路段带来的轨迹不连续问题。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种出行轨迹生成方法，其特征在于，包括以下步骤：
[0009]构建深度学习网络，
[0010]获取道路网络并根据所述道路网络中各个路段的邻接关系，构建邻接矩阵，将所述邻接矩阵嵌入深度学习网络；
[0011]通过训练数据对嵌入后的所述所述深度学习网络进行训练；
[0012]获取出发地、目的地和当前位置；
[0013]将所述出发地、目的地和当前位置输入至训练好的所述深度学习网络生成出行轨迹。
[0014]进一步的，将所述出发地、目的地和当前位置输入至训练好的所述深度学习网络生成出行轨迹，包括：
[0015]根据出发地、目的地和当前位置确定已生成轨迹和候选路段集合；
[0016]计算候选路段集合中各个候选道路与已生成轨迹之间的观察条件概率，并采用所述邻接矩阵将非相邻候选道路的观察条件概率置0后，生成观察成本；
[0017]根据候选路段集合和目的地计算预期成本；
[0018]计算出行成本，并根据所述出行成本生成路段轨迹，直至抵达目的地得到出行轨迹。
[0019]进一步的，根据候选路段集合和目的地计算预期成本包括：
[0020]从所述道路网络中获取各路段相对位置和相对距离，计算两个路段间的球形距离；
[0021]将所述候选路段集合和所述目的地输入至训练好的图形注意力网络输出球形距离后，通过多层感知器网络预测预期条件概率，计算预期成本。
[0022]一种深度学习网络模型，包括输入层、LSTM网络层和约束线性层和输出层；
[0023]所述输入层用于接收训练数据；
[0024]所述LSTM网络层用于提取深层移动态势特征；
[0025]约束线性层用于根据所述深层移动台特征进行决策，并且引入邻接矩阵作为决策的约束条件；
[0026]所述输出层用于根据决策结果生成出行轨迹。
[0027]进一步的，还包括预期成本计算模块，用于根据候选路段集合和目的地计算预期成本；
[0028]所述训练数据包括真实轨迹、从所述真实轨迹中截取的部分历史移动轨迹和与所述历史移动轨迹对应的候选路段集合；
[0029]所述决策具体为：计算候选路段集合中各个邻候选道路与历史移动轨迹之间的观察条件概率，并采用所述邻接矩阵将非相邻候选道路的观察条件概率置0后，生成观察成本；
[0030]所述输出层还用于根据所述预期成本和所述观测成本计算出行成本，并根据所述出行成本生成路段轨迹，直至抵达目的地得到出行轨迹。
[0031]进一步的，在所述LSTM网络层和所述约束线性层之间引入注意力网络层；
[0032]通过注意力机制计算候选路段集合与历史移动轨迹之间的相关性权重；
[0033]所述约束线性层在计算条件概率时，引入所述相关性权重。
[0034]进一步的，所述预期成本计算模块包括图注意力网络层、计算模块和多层感知机；
[0035]所述图注意力网络层用于学习道路特征，生成道路表征矩阵；
[0036]所述计算模块用于根据所述候选路段集合和所述目的地在所述道路表征矩阵中进行索引，得到所述候选路段集合中各个路段的道路表征向量和目的地的道路表征向量；用于根据所述候选路段集合中各个路段的道路表征向量和目的地的道路表征向量计算球形距离；
[0037]根据所述道路表征矩阵确认所述候选路段集合和所述目的地的相对位置和相对距离，计算球形距离；
[0038]所述多层感知机用于根据所述候选路段集合中各个路段的道路表征向量、所述目的地的道路表征向量和所述球形距离，计算预期成本。
[0039]一种深度学习网络模型训练方法，采用了权利要求4
‑
7中所述的深度学习网络模型，步骤包括：
[0040]根据所述深度学习模型构建生成器；
[0041]获取训练数据，所述训练数据包括由多个路段轨迹构成的真实轨迹；其中，所述路段轨迹包括轨迹的空间信息和时间信息；
[0042]将所述多个路段轨迹的出发地与目的地输入所述生成器中，以生成合成的出行轨迹；
[0043]对所述真实轨迹中和所述出行轨迹中路段轨迹对应的空间信息和时间信息进行处理，得到轨迹空间序列和时间序列；
[0044]将所述轨迹空间序列和所述时间序列分别输入至训练好的鉴别器，得到奖励信号；其中，所述奖励信号包括序列性奖励和移动性偏航奖励；
[0045]根据所述奖励信号计算生成器梯度。
[0046]进一步的，所述鉴别器包括预处理模块、序列顺序提取模块、序列性奖励模块和移动性偏航奖励模块；
[0047]所述预处理模块为历史训练轮次的生成器，用于对当前出行轨迹并补充成完整出行轨迹；
[0048]所述序列顺序提取模块接收所述完整出行轨迹提取时间序列的转换模式并预测，轨迹的真实概率；
[0049]所述序列性奖励模块根本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种出行轨迹生成方法，其特征在于，包括以下步骤：获取道路网络并根据所述道路网络中各个路段的邻接关系，构建邻接矩阵，将所述邻接矩阵嵌入预先构建的深度学习网络；通过训练数据对嵌入后的所述所述深度学习网络进行训练；获取出发地、目的地和当前位置；将所述出发地、目的地和当前位置输入至训练好的所述深度学习网络生成出行轨迹
。
2.根据权利要求1所述的一种出行轨迹生成方法，其特征在于，将所述出发地、目的地和当前位置输入至训练好的所述深度学习网络生成出行轨迹
，
包括：根据出发地、目的地和当前位置确定已生成轨迹和候选路段集合；计算候选路段集合中各个候选道路与已生成轨迹之间的观察条件概率，并采用所述邻接矩阵将非相邻候选道路的观察条件概率置0后，生成观察成本；根据候选路段集合和目的地计算预期成本；计算出行成本，并根据所述出行成本生成路段轨迹，直至抵达目的地得到出行轨迹。3.根据权利要求2所述的一种出行轨迹生成方法，其特征在于，根据候选路段集合和目的地计算预期成本包括：从所述道路网络中获取各路段相对位置和相对距离，计算两个路段间的球形距离；将所述候选路段集合和所述目的地输入至训练好的图形注意力网络输出球形距离后，通过多层感知器网络预测预期条件概率，计算预期成本。4.一种深度学习网络模型，其特征在于，包括输入层、LSTM网络层和约束线性层和输出层；所述输入层用于接收训练数据；所述LSTM网络层用于提取深层移动态势特征；约束线性层用于根据所述深层移动台特征进行决策，并且引入邻接矩阵作为决策的约束条件；所述输出层用于根据决策结果生成出行轨迹。5.根据权利要求4所述的一种深度学习网络模型，其特征在于，还包括预期成本计算模块，用于根据候选路段集合和目的地计算预期成本；所述训练数据包括真实轨迹、从所述真实轨迹中截取的部分历史移动轨迹和与所述历史移动轨迹对应的候选路段集合；所述决策具体为：计算候选路段集合中各个邻候选道路与历史移动轨迹之间的观察条件概率，并采用所述邻接矩阵将非相邻候选道路的观察条件概率置0后，生成观察成本；所述输出层还用于根据所述预期成本和所述观测成本计算出行成本，并根据所述出行成本生成路段轨迹，直至抵达目的地得到出行轨迹。6.根据...
【专利技术属性】
技术研发人员：王静远，蒋炆峻，姜佳伟，
申请(专利权)人：北京航空航天大学，
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。