System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种人体移动轨迹恢复方法和装置。
技术介绍
1、随着移动设备和基于位置的社交网络的普及,人们积累了大量的人类移动数据。然而,由于移动数据采样设备的采样率低或用户隐私的限制,真实轨迹数据的采集非常稀疏,损害了下游应用的性能。例如,对于城市规划和交通调度,由于缺乏个人位置记录,很难准确估计城市中每小时的人群流量,从而及时进行调度和响应。对于推荐系统,如果没有足够的轨迹记录,推荐适当的兴趣点(points of interest)会变得异常困难。因此,通过在细粒度的时空维度上建模人类的移动模式来恢复个体的移动轨迹非常重要。
2、人类轨迹恢复的常见解决方案是基于模型的方法。这类方法假设人类的移动性可以用具有明确物理意义的有限参数来建模,这些参数描述了人类移动性的关键特征和模式,如空间连续性、时间周期性等。基于模型的轨迹恢复方法倾向于简化人类移动行为,忽略了复杂的人类移动行为,并不能准确地模拟真实世界的移动行为。轨迹恢复的另一类解决方案是数据驱动的方法,可以从大量轨迹数据中挖掘出来复杂的移动性特征。这类方法建立基于神经网络的轨迹恢复模型,直接从真实世界的移动数据中捕获人类移动的内在特征,如周期性和可重复性。然而,这种纯粹的学习范式没有利用人类移动模式的先验知识,导致训练过程低效。
3、但是,已有技术中使用的模型通过逐个轨迹点捕捉移动特性,缺乏对整条轨迹所有轨迹点的联合分布建模,导致恢复的轨迹忽略了大量的特性;同时,现有技术从个体轨迹中捕捉周期性等特征,而个体轨迹往往较为稀疏,无法准确
4、基于此,提供一种人体移动轨迹恢复方法和装置,以解决现有技术中人体移动轨迹恢复的准确性较差,所恢复的轨迹与真实轨迹具有较大偏差的问题,就成为本领域技术人员亟待解决的问题。
技术实现思路
1、本专利技术提供一种人体移动轨迹恢复方法和装置,以解决现有技术中人体移动轨迹恢复的准确性较差,所恢复的轨迹与真实轨迹具有较大偏差的问题,提高轨迹恢复的准确性,降低所恢复的轨迹与真实轨迹的偏差。
2、本专利技术提供一种人体移动轨迹恢复方法,包括:
3、获取目标人体的个体当前轨迹;
4、将所述目标人体的个体当前轨迹输入预先训练的轨迹扩散模型中,以得到所述目标人体的恢复轨迹;
5、其中,所述轨迹扩散模型是利用样本的轨迹移动特征和样本的当前轨迹进行训练得到的,所述样本的轨迹移动特征是利用样本的群体当前轨迹中的移动特征、个人历史轨迹的移动特征和群体历史轨迹的移动特征进行融合得到的。
6、在一些实施例中,利用样本的轨迹移动特征和样本的当前轨迹进行训练,得到所述轨迹扩散模型,具体包括:
7、在目标数据库中获取所有轨迹数据,以构建训练集,所述轨迹数据中的所有数据点一一对应地构成所述样本;
8、利用个体历史处理器从各所述样本的个体历史轨迹中提取周期特征;利用马尔科夫链分别从各所述样本的群体历史轨迹中提取群体历史转移矩阵、从所述各样本的群体当前轨迹中提取群体当前转移矩阵;
9、利用历史轨迹注意力机制将所述周期特征和所述群体历史转移矩阵进行融合,以得到历史轨迹;
10、基于轨迹间注意力机制将所述群体当前转移矩阵与所述群体历史转移矩阵相融合,以得到轨迹移动特征;
11、将所述轨迹移动特征输入预先构建的扩散模型进行训练,以得到所述轨迹扩散模型。
12、在一些实施例中,利用个体历史处理器从各所述样本的个体历史轨迹中提取周期特征,具体包括:
13、从所述样本中提取多个单条轨迹,利用历史聚合器将多个单条轨迹进行聚合,以得到聚合轨迹;
14、将聚合轨迹嵌入时隙中;
15、基于头部h下的时隙t和k之间的相似性对于样本u的第p个历史轨迹的第t个时隙,通过从聚合第p个历史轨迹的所有时隙中信息的相似性,获得位移感知嵌入;
16、添加标准残差连接以保持当前移动信息,并获得历史轨迹的每个时隙的移位感知嵌入,以得到表征个体历史轨迹的移动特性的周期特征向量。
17、在一些实施例中,利用第一表达式计算头部h下的时隙t和k之间的相似性所述第一表达式为:
18、
19、
20、其中,表示样本u在第p个历史轨迹的第t个时隙,表示样本u在第p个历史轨迹的第k个时隙,t表示时隙数量,k表示表示当前时隙编号,φ(h)表示各个时隙与对应的变换矩阵相乘,然后求内积,分别为对应的变换矩阵,<·>为内积函数。
21、在一些实施例中,利用第二表达式,基于头部h下的时隙t和k之间的相似性对于样本u的第p个历史轨迹的第t个时隙,通过从聚合第p个历史轨迹的所有时隙中信息的相似性,获得位移感知嵌入所述第二表达式为:
22、
23、其中,是变换矩阵。
24、在一些实施例中,利用马尔科夫链分别从各所述样本的群体历史轨迹中提取群体历史转移矩阵、从所述各样本的群体当前轨迹中提取群体当前转移矩阵,具体包括:
25、利用第三表达式计算所述群体历史转移矩阵,利用第四表达式计算所述群体当前转移矩阵;
26、所述第三表达式为:
27、
28、其中,为所有样本在第p个历史轨迹的第t个时隙,f(·)表示马尔可夫链,mp,t为群体历史转移矩阵;
29、所述第四表达式为:
30、
31、其中,为所有样本在当前轨迹的时隙,f(·)表示马尔可夫链,mn,t为群体当前转移矩阵。
32、本专利技术还提供一种人体移动轨迹恢复装置,本专利技术还提供包括:
33、轨迹获取单元,用于获取目标人体的个体当前轨迹;
34、轨迹恢复单元,用于将所述目标人体的个体当前轨迹输入预先训练的轨迹扩散模型中,以得到所述目标人体的恢复轨迹;
35、其中,所述轨迹扩散模型是利用样本的轨迹移动特征和样本的当前轨迹进行训练得到的,所述样本的轨迹移动特征是利用样本的群体当前轨迹中的移动特征、个人历史轨迹的移动特征和群体历史轨迹的移动特征进行融合得到的。
36、本专利技术还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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所述人体移动轨迹恢复方法。
37、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述人体移动轨迹恢复方法。
38、本专利技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述人体移动轨迹恢复方法。
39、本专利技术提供的人体移动轨迹恢复方法,通过获取目标人体的个体当前轨迹,将所述目标人体的个体当前轨迹输入预先训练的轨迹扩散模型本文档来自技高网...
【技术保护点】
1.一种人体移动轨迹恢复方法,其特征在于,包括:
2.根据权利要求1所述的人体移动轨迹恢复方法,其特征在于,利用样本的轨迹移动特征和样本的当前轨迹进行训练,得到所述轨迹扩散模型,具体包括:
3.根据权利要求2所述的人体移动轨迹恢复方法,其特征在于,利用个体历史处理器从各所述样本的个体历史轨迹中提取周期特征,具体包括:
4.根据权利要求3所述的人体移动轨迹恢复方法,其特征在于,利用第一表达式计算头部h下的时隙t和k之间的相似性所述第一表达式为:
5.根据权利要求2所述的人体移动轨迹恢复方法,其特征在于,利用第二表达式,基于头部h下的时隙t和k之间的相似性对于样本u的第p个历史轨迹的第t个时隙,通过从聚合第p个历史轨迹的所有时隙中信息的相似性,获得位移感知嵌入所述第二表达式为:
6.根据权利要求2所述的人体移动轨迹恢复方法,其特征在于,利用马尔科夫链分别从各所述样本的群体历史轨迹中提取群体历史转移矩阵、从所述各样本的群体当前轨迹中提取群体当前转移矩阵,具体包括:
7.一种人体移动轨迹恢复装置,其特征在于,包括:<
...【技术特征摘要】
1.一种人体移动轨迹恢复方法,其特征在于,包括:
2.根据权利要求1所述的人体移动轨迹恢复方法,其特征在于,利用样本的轨迹移动特征和样本的当前轨迹进行训练,得到所述轨迹扩散模型,具体包括:
3.根据权利要求2所述的人体移动轨迹恢复方法,其特征在于,利用个体历史处理器从各所述样本的个体历史轨迹中提取周期特征,具体包括:
4.根据权利要求3所述的人体移动轨迹恢复方法,其特征在于,利用第一表达式计算头部h下的时隙t和k之间的相似性所述第一表达式为:
5.根据权利要求2所述的人体移动轨迹恢复方法,其特征在于,利用第二表达式,基于头部h下的时隙t和k之间的相似性对于样本u的第p个历史轨迹的第t个时隙,通过从聚合第p个历史轨迹的所有时隙中信息的相似性,获得位移感知嵌入所述第二表达式为:
6....
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。