【技术实现步骤摘要】
本专利技术属于智能交通，具体涉及一种基于深度学习的轨迹表示预训练系统。
技术介绍
1、近年来，随着经济发展和生活水平提高，对智能交通的相关应用需求不断上升。许多日常生活中的应用都与轨迹非常相关，包括行程时间估计，终点预测和交通状态预测。其中，轨迹表示学习是一个非常热门的研究任务。它通过预训练的方式从海量的轨迹数据中学习出轨迹的通用向量表示，并作其作为一个基础模型，能够为下游不同的轨迹相关任务提供统一的特征，以便让这些任务得到高效的部署和应用。但目前的轨迹预训练方法缺乏多尺度的时空信息和路网环境信息，限制了对轨迹语义的有效捕捉。
技术实现思路
1、鉴于上述问题，本专利技术的目的是提供一种基于深度学习的多尺度的轨迹表示预训练系统，以解决目前轨迹预训练方法中缺乏对多尺度的轨迹信息和路网环境的有效学习的问题。
2、本专利技术提供的基于深度学习的轨迹表示预训练系统，包括构建面向多尺度轨迹结构的深度学习模型，深度学习模型包括路网的静态和动态特征结合模块，多尺度注意力感知模块和自监督预训练模...
【技术保护点】
1.一种基于深度学习的轨迹表示预训练系统，其特征在于，包括构建面向多尺度轨迹结构的深度学习模型；该模型充分结合道路网络的静态和动态特征，并且通过混合不同尺度的注意力机制与自监督预训练范式，学习不同粒度的轨迹特征表示，从而获取更加丰富的时空语义信息；具体包括路网的静态和动态特征构建模块，多尺度的注意力编码器模块，自监督预训练模块；其中：
2.根据权利要求1所述的基于深度学习的轨迹表示预训练系统，其特征在于，所述路网的静态和动态特征构建模块中：
3.根据权利要求2所述的基于深度学习的轨迹表示预训练系统，其特征在于，所述多尺度轨迹注意力编码器模块，用...
【技术特征摘要】
1.一种基于深度学习的轨迹表示预训练系统，其特征在于，包括构建面向多尺度轨迹结构的深度学习模型；该模型充分结合道路网络的静态和动态特征，并且通过混合不同尺度的注意力机制与自监督预训练范式，学习不同粒度的轨迹特征表示，从而获取更加丰富的时空语义信息；具体包括路网的静态和动态特征构建模块，多尺度的注意力编码器模块，自监督预训练模块；其中：
2.根据权利要求1所述的基于深度学习的轨迹表示预训练系统，其特征在于，所述路网的静态和动态特征构建模块中：
3....
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。