【技术实现步骤摘要】
本专利技术属于轨迹合成，尤其涉及一种数据与模型双驱动的蜂窝关联轨迹合成方法及系统。
技术介绍
1、蜂窝网络是我们日常生活不可或缺的一部分，可确保移动用户的无缝无线连接。通常蜂窝网络主要由三部分组成：移动站，基站子系统，网络子系统。移动站就是网络终端设备，比如手机，基站子系统包括日常见到的移动基站等，网络子系统可以看作是无线网络与有线网络之间的转换器。蜂窝物联网连接数的大幅增长将产生大量的蜂窝关联轨迹，相比于众所周知的gps轨迹，蜂窝关联轨迹在覆盖范围、渗透率、隐私保护和获取成本方面有着更显著的优势。蜂窝关联轨迹为科学研究和多样化的数据驱动服务提供了宝贵的机会，为基于位置的应用提供了巨大的潜力，包括用户出行行为分析、人类流动性建模、地图匹配等。
2、然而，一些实际问题阻碍了蜂窝关联轨迹的相关研究与应用，包括缺乏公开数据、禁止人工采集以及运营商数据保密等，缺乏真实多样性的数据是当前蜂窝关联轨迹相关研究的壁垒。合成真实且多样化的蜂窝关联轨迹对于打破壁垒至关重要，不仅可以增强现有数据集，促进深度学习模型的训练和测试，改善数据隐私，也是加速各个行业和应用程序的研究、开发和实施流程的有力动力。然而，合成真实且多样化的蜂窝关联轨迹在技术上是具有挑战性的：
3、首先，基于路段的轨迹和基于基站切换的蜂窝关联轨迹之间的地理空间具有差异，需要准确解决从道路空间到基站空间的映射问题。
4、其次，合成蜂窝关联轨迹需要考虑蜂窝基站切换规则，由于在一定范围的区域内存在多个基站，基站切换需要考虑到信号覆盖和负载平衡，基站切换
5、最后，对于移动轨迹合成，传统的基于模型或数据驱动的方法通常由于基本假设不充足或现实世界训练数据需求未满足，导致合成的轨迹不准确。
技术实现思路
1、本专利技术的目的在于提供一种数据与模型双驱动的蜂窝关联轨迹合成方法及系统，以解决公开可用蜂窝关联轨迹数据稀缺以及合成真实多样化蜂窝关联轨迹数据时遇到的地理空间存在差异、基站切换规则复杂动态和单维数据合成方法性能不佳的问题。
2、本专利技术是通过如下的技术方案来解决上述技术问题的：一种数据与模型双驱动的蜂窝关联轨迹合成方法，包括以下步骤：
3、s1获取用户乘坐交通工具从起点到目的地经历的不同路线作为基于路段的轨迹，每条所述基于路段的轨迹是由乘客出行路线中各路段的起始点和终止点节点id序列组成，id是每个节点的唯一标识，通过节点id可以在地图拓扑信息中得到节点的gps坐标；
4、s2对s1中基于路段的轨迹利用gps参照物生成算法进行gps参照物生成，将生成的gps参照物组合在一起得到基于路段的轨迹对应的gps参照物轨迹；
5、s3对s2中的gps参照物轨迹利用基于贝叶斯决策的模型驱动轨迹合成算法进行粗粒度蜂窝关联轨迹合成，得到gps参照物轨迹对应的粗粒度蜂窝关联轨迹；
6、s4将s3中的粗粒度蜂窝关联轨迹输入基于gan网络的两阶段数据驱动模型中，得到基于路段的轨迹对应的蜂窝关联轨迹；
7、所述数据驱动模型为基于gan网络的两阶段数据驱动模型，所述基于gan网络的两阶段数据驱动模型包括一个gan网络、一个损失函数和一个网格映射；所述gan网络包括生成器和鉴别器；所述生成器包括编码器和解码器，所述编码器包括embedding层、双向gru网络，所述解码器包括attention层、gru网络和全连接层；所述鉴别器包括embedding层、gru网络、全连接层和sigmoid层；所述损失函数由两部分组成：生成器损失函数和鉴别器损失函数；所述网格映射用于在所述基于网格的蜂窝关联轨迹中随机选择基站组成蜂窝关联轨迹；具体如下：
8、s4.1第一阶段为合成基于网格的细粒度蜂窝关联轨迹，其具体实现过程为：
9、s4.1.1对s3生成的粗粒度蜂窝关联轨迹进行网格化，得到基于网格的粗粒度蜂窝关联轨迹；
10、s4.1.2利用生成器中编码器的embedding层对所述基于网格的粗粒度蜂窝关联轨迹进行编码，得到多维表示编码向量；接着，利用所述双向gru网络对所述多维表示编码向量进行进一步编码，得到编码特征向量；
11、s4.1.3利用生成器中解码器的attention层对s4.1.2中编码特征向量进行加权，得到特征集中的编码向量；接着，利用所述gru网络对所述特征集中的编码向量进行解码，得到多维表示解码向量；最后，利用所述全连接层转换所述多维表示解码向量的维度，得到基于网格的细粒度蜂窝关联轨迹。
12、s4.1.4利用所述鉴别器的embedding层对基于网格的细粒度蜂窝关联轨迹进行编码，得到稠密向量；接着，利用所述鉴别器的gru网络连续读取稠密向量并生成输出序列；之后，利用所述全连接层转换输出序列的维度，并将结果输入至sigmoid层，得到鉴别器判断输入轨迹为真实蜂窝关联轨迹的概率。
13、s4.1.5所述基于gan网络的两阶段数据驱动模型通过对抗训练，得到经过训练优化后的基于网格的细粒度蜂窝关联轨迹。
14、所述对抗训练用于将真实轨迹和s4.1.3生成器合成的基于网格的细粒度蜂窝关联轨迹输入至鉴别器判断真假，通过最小化生成器损失函数和鉴别器损失函数，并通过反向传递调整生成器和鉴别器参数，实现对抗训练，提升生成器合成轨迹的真实性，获得经过训练优化后的基于网格的细粒度蜂窝关联轨迹。
15、s4.2第二阶段为利用所述网格映射合成基于路段的轨迹对应的蜂窝关联轨迹，其具体实现过程为：
16、根据s4.1.5中经过训练优化后的基于网格的细粒度蜂窝关联轨迹，在每个网格范围内随机选择一个蜂窝基站，从网格空间映射到基站空间，得到所述基于路段的轨迹对应的蜂窝关联轨迹。
17、进一步地，s2中利用gps参照物生成算法对s1中基于路段的轨迹生成gps参照物，所述gps参照物生成算法包括线性插值、角点稀疏化和密度重排，其具体实现过程为：
18、s2.1从s1中基于路段的轨迹中获取初始gps参照物集合，并设置gps采样距离d0∈[25,100]m，拐角角度阈值θ0∈[150°,180°]；
19、s2.2依次计算所述初始gps参照物集合中相邻gps位置点的距离d；
20、s2.3当所述距离d大于所述gps采样距离d0时，执行所述gps参照物生成算法中的线性插值，在相邻gps参照物中均匀插入插值点；
21、s2.4当所述距离d小于所述gps采样距离d0时，计算相邻三点中间点的角度θ；
22、s2.5当所述相邻三点中间点的角度θ小于拐角角度阈值θ0时，执行所述gps参照物生成算法中的角点稀疏化，删除中间点降低拐角密度；
23、s2.6当所述相邻三点中间点的角度θ大于拐角角度阈值θ0时，执行所述gps参照物生成算法中的密度重排，删除中间点并以间隔d插入新的gps点确保gps参照物集合密度一致；
24、进一步本文档来自技高网...
【技术保护点】
1.一种数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于，该方法包括以下步骤：
2.一种根据权利要求1所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：S2中利用GPS参照物生成算法对S1中基于路段的轨迹生成GPS参照物，所述GPS参照物生成算法包括线性插值、角点稀疏化和密度重排，其具体实现过程为：
3.一种根据权利要求2所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：所述线性插值为在所述初始GPS参照物集合中的相邻点之间均匀插入插值点，具体计算公式为：
4.一种根据权利要求2所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：所述角点稀疏化为删除所述初始GPS参照物集合中的相邻三点的中间点。
5.一种根据权利要求2所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：所述密度重排为删除所述初始GPS参照物集合中的相邻三点的中间点，并对剩余两点执行所述线性插值。
6.一种根据权利要求1所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：S3中利用基于贝叶斯决策的轨迹合成算法合成每条GPS参照物轨
7.一种基于权利要求1所述方法的蜂窝关联轨迹合成系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于，该方法包括以下步骤：
2.一种根据权利要求1所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：s2中利用gps参照物生成算法对s1中基于路段的轨迹生成gps参照物，所述gps参照物生成算法包括线性插值、角点稀疏化和密度重排，其具体实现过程为：
3.一种根据权利要求2所述数据与模型双驱动的蜂窝关联轨迹合成方法，其特征在于：所述线性插值为在所述初始gps参照物集合中的相邻点之间均匀插入插值点，具体计算公式为：
4.一种根据权利要求2所述数据与模型双驱动的蜂窝关联轨迹...
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。