【技术实现步骤摘要】
本申请属于地理信息系统，特别涉及一种时空轨迹生成方法、装置、计算机设备以及存储介质。
技术介绍
1、人类日常活动的出行轨迹可以被定义为一个时间序列t＝[x1,x2,...,xn]，其中xi被定义为一个时空点元组(ti,li)，ti表示在xi处的时间戳，li表示第i个位置的经纬度坐标(lat,lon)或者区域格网id，一条真实的出行轨迹可以反映出一个人的行为特征和出行模式。
2、个体轨迹生成问题可以定义为给定一个真实世界的轨迹数据集t＝[x1,x2,...,xn]，通过一个生成模型g生成一条符合人类流动性的合成轨迹轨迹生成的过程可以视为马尔科夫决策过程。状态由当前已经到达过的地点x1:i构成，动作是生成的下一个轨迹点的位置，智能体是生成模型g，可通过如下公式进行建模：
3、
4、其中，θ是生成模型g的参数。
5、在目前的轨迹生成问题研究主要包括两种方案。第一种方案是根据空间连续性、时间周期性等人类流动性规律进行建模的机理模型，这种模型通过定量统计大量人类时空行为事件，发现其中隐含的统计规律，进而提出机制假设对个体移动过程进行建模。然而，当前机理模型中的空间选择行为机制考虑空间异质性和空间相关性的方式也仅限于人口分布和距离衰减，过于抽象简略，没有较好地刻画复杂地理环境对个体移动过程的影响以及人地交互关系，不能够较好的捕捉到轨迹数据中复杂的非线性关系。为了解决第一种方案的不足，伴随着近年来机器学习领域的兴起，便衍生出了第二种建模方案，即用深度神经网络捕捉人类流动性中难以观察和探寻到的规律
技术实现思路
1、本申请提供了一种时空轨迹生成方法、装置、计算机设备以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
2、为了解决上述问题，本申请提供了如下技术方案：
3、一种时空轨迹生成方法，包括：
4、获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理，生成包含街道id、社区id以及个体活动类型的出行轨迹序列；
5、对所述出行轨迹序列进行嵌入表示和位置编码，并采用transformer模型提取所述出行轨迹序列的时空信息；
6、将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据；其中，所述多尺度时空轨迹数据包括街道层面的时空轨迹数据以及社区层面的时空轨迹数据。
7、本申请实施例采取的技术方案还包括：所述城市轨迹数据格式为[经度,纬度，时间戳t]，所述获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理具体为：
8、将所述研究区域在空间上划分为街道层面和社区层面两种粒度的空间单元；
9、针对每条城市轨迹数据，根据设定时间段对个体活动地点进行标记，并根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列，将每条城市轨迹数据表示为具有设定时间间隔且包含街道id、社区id以及个体活动类型的出行轨迹序列。
10、本申请实施例采取的技术方案还包括：所述根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列具体为：
11、基于日常活动规律，将个体在不同时间段内的活动地点分别标记为居住地点、工作地点或其他，将居住地点对应的个体活动类型标记为"家(h)"，将工作地点对应的个体活动类型标记为"工作(w)"；如果工作地点与居住地点位于同一空间单元，则个体活动类型序列为"家"，将除"家(h)"和"工作(w)"以外的个体活动类型标记为"其他"，并根据活动发生时间将同一个体在不同地点的"其他"活动类型标记为"其他1"、"其他2"。
12、本申请实施例采取的技术方案还包括：对所述出行轨迹序列进行嵌入表示和位置编码，并采用transformer模型提取所述出行轨迹序列的时空信息具体为：
13、将时间戳t、个体活动类型、街道id和社区id四种数据作为编码器的输入数据，并通过四个不同的嵌入层分别提取四种输入数据的时空信息，得到四个嵌入向量，将四个嵌入向量进行合并，得到时空信息的稠密向量表示ei作为transformer模型的输入数据：
14、
15、其中，j依次表示四种输入数据，ei表示在第i个点生成的向量表示；
16、采用正余弦函数对向量表示ei进行位置编码，位置编码后的嵌入向量表示为将位置编码后的嵌入向量输入到transformer模型中进行时空信息提取，所述时空信息提取过程表示为：
17、
18、上述公式中，wt为transformer模型中可学习的参数矩阵，t(·)为transformer模型的encoder函数表示。
19、本申请实施例采取的技术方案还包括：所述将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据之前，还包括：
20、将所述出行轨迹序列的时空信息输入生成对抗网络进行预训练；其中，所述生成对抗网络包括生成器和判别器，所述生成对抗网络的预训练训练包括生成器预训练和判别器预训练；
21、所述生成器预训练过程包括：使用下一个轨迹点预测的任务，比较生成器生成的时空轨迹数据和真实的城市轨迹数据的一致性对生成器进行预训练，在预训练过程中，所述生成器采用多任务训练的方式进行时空轨迹数据生成，首先生成个体活动类型，然后通过所述个体活动类型分别进行街道层面的时空轨迹数据生成以及社区层面的时空轨迹数据生成，并通过nll损失函数对个体活动类型、街道层面的时空轨迹数据和社区层面的时空轨迹数据三个生成任务同时进行训练，对三个训练任务分别进行梯度更新，加强数据生成过程的时空约束；
22、所述判别器预训练过程包括：设计二分类任务预训练判别器，对所述真实的城市轨迹数据和生成器生成的时空轨迹数据分别进行真伪标签标记，将标记后的数据作为所述判别器的输入，真伪标签作为所述判别器的输出对判别器进行预训练，并通过nll损失函数对所述判别器进行优化。
23、本申请实施例采取的技术方案还包括：所述将所述出行轨迹序列的时空信息输入生成对抗网络进行预训练之后，还包括：
24、将所述出行轨迹序列的时空信息输入预训练完成后的生成对抗网络进行对抗训练，并利用空间一致本文档来自技高网...
【技术保护点】
1.一种时空轨迹生成方法，其特征在于，包括：
2.根据权利要求1所述的时空轨迹生成方法，其特征在于，所述城市轨迹数据格式为[经度,纬度，时间戳t]，所述获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理具体为：
3.根据权利要求2所述的时空轨迹生成方法，其特征在于，所述根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列具体为：
4.根据权利要求2所述的时空轨迹生成方法，其特征在于，对所述出行轨迹序列进行嵌入表示和位置编码，并采用Transformer模型提取所述出行轨迹序列的时空信息具体为：
5.根据权利要求1至4任一项所述的时空轨迹生成方法，其特征在于，所述将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据之前，还包括：
6.根据权利要求5所述的时空轨迹生成方法，其特征在于，所述将所述出行轨迹序列的时空信息输入生成对抗网络进行预训练之后，还包括：
7.根据权利要求6所述的时空轨迹生成方法，其特征在于，所述生成对抗
8.一种时空轨迹生成装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述时空轨迹生成方法。
...【技术特征摘要】
1.一种时空轨迹生成方法，其特征在于，包括：
2.根据权利要求1所述的时空轨迹生成方法，其特征在于，所述城市轨迹数据格式为[经度,纬度，时间戳t]，所述获取研究区域内真实的城市轨迹数据，对所述城市轨迹数据进行多空间尺度划分及预处理具体为：
3.根据权利要求2所述的时空轨迹生成方法，其特征在于，所述根据标记结果对个体活动类型进行分类，生成每条城市轨迹数据对应的个体活动类型序列具体为：
4.根据权利要求2所述的时空轨迹生成方法，其特征在于，对所述出行轨迹序列进行嵌入表示和位置编码，并采用transformer模型提取所述出行轨迹序列的时空信息具体为：
5.根据权利要求1至4任一项所述的时空轨迹生成方法，其特征在于，所述将所述出行轨迹序列的时空信息输入到生成对抗网络，通过所述生成对抗网络生成多尺度时空轨迹数据之前，...
【专利技术属性】
技术研发人员：刘康，曹中才，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。