本發(fā)明涉及gps軌跡生成，特別是一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法。

背景技術(shù)：

1、gps軌跡數(shù)據(jù)在眾多時(shí)空數(shù)據(jù)挖掘應(yīng)用中發(fā)揮著至關(guān)重要的作用，包括城市交通規(guī)劃、商業(yè)位置選擇和出行時(shí)間估計(jì)。盡管通過(guò)gps軌跡分析在城市應(yīng)用中取得了實(shí)質(zhì)性進(jìn)展，但很少有人關(guān)注數(shù)據(jù)可訪問(wèn)性和隱私問(wèn)題。此外，軌跡數(shù)據(jù)收集的耗時(shí)和勞動(dòng)密集型性質(zhì)導(dǎo)致了獲取可訪問(wèn)的、公開(kāi)的、保護(hù)隱私的數(shù)據(jù)集的挑戰(zhàn)。擴(kuò)散模型是比規(guī)范方法更可靠、更穩(wěn)健的生成方法。現(xiàn)實(shí)世界中的人類活動(dòng)表現(xiàn)出隨機(jī)和不確定的特征，擴(kuò)散模型從隨機(jī)噪聲中逐步重建數(shù)據(jù)，使其適合生成更真實(shí)的gps軌跡。由于擴(kuò)散模型從隨機(jī)噪聲生成軌跡，因此消除了隱私泄露的風(fēng)險(xiǎn)。然而，由于巨大的計(jì)算成本，擴(kuò)散模型生成gps軌跡信息存在生成速度慢的問(wèn)題，導(dǎo)致交互式應(yīng)用程序的延遲過(guò)高。因此，研究者們面臨著高效獲取gps軌跡信息的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的旨在至少解決所述技術(shù)缺陷之一。

2、為此，本發(fā)明的一個(gè)目的在于提出一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，以解決背景技術(shù)中所提到的問(wèn)題，克服現(xiàn)有技術(shù)中存在的不足。為了實(shí)現(xiàn)上述目的，本發(fā)明一方面的實(shí)施例提供一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，包括以下步驟：

3、1)：構(gòu)建基于擴(kuò)散模型的gps軌跡生成模型，所述gps軌跡生成模型包括多尺度特征融合、新型unet網(wǎng)絡(luò)；

4、所述新型unet網(wǎng)絡(luò)以u(píng)net網(wǎng)絡(luò)為基礎(chǔ)，每層包含多個(gè)基于1d-cnn的堆疊殘差網(wǎng)絡(luò)塊，每層的卷積核大小為3，且在每層卷積層后引入激活函數(shù)；

5、2)：獲取一組真實(shí)世界的gps軌跡，所述的gps軌跡包括多組，并將所述gps軌跡用于訓(xùn)練擴(kuò)散模型，得到預(yù)測(cè)噪音與前向擴(kuò)散的噪音最小化的均方誤差；

6、3)：基于訓(xùn)練完成的擴(kuò)散模型，對(duì)同一擴(kuò)散任務(wù)gps軌跡生成分為多個(gè)圖像塊，不同的圖像塊分配給不同的gpu計(jì)算，gpu之間異步激活函數(shù)的信息；

7、4)：對(duì)上述gpu最終得出的結(jié)果聚合在一起，得到預(yù)測(cè)的噪聲；采用該方式，直至完成反向生成過(guò)程，輸出預(yù)測(cè)的gps軌跡圖片。

8、由上述任一方案優(yōu)選的是，所述步驟1)的基于擴(kuò)散模型的gps軌跡生成模型，unet網(wǎng)絡(luò)中每層包含多個(gè)基于1d-cnn的堆疊殘差網(wǎng)絡(luò)塊，每層的卷積核大小為3，且在每層卷積層后引入激活函數(shù)，在上采樣和下采樣之間集成一個(gè)基于注意力機(jī)制的過(guò)渡模塊，其中下采樣使用最大池化，上采樣使用插值的方法，基于注意力機(jī)制的過(guò)度模塊由兩個(gè)堆疊殘差網(wǎng)絡(luò)塊和一個(gè)注意力層組成，整合一個(gè)條件嵌入塊來(lái)學(xué)習(xí)擴(kuò)散步長(zhǎng)和條件信息。

9、由上述任一方案優(yōu)選的是，所述步驟2中多組gps軌跡用于訓(xùn)練擴(kuò)散模型的方法，所述的多組gps軌跡為一系列連續(xù)采樣的用戶私有g(shù)ps位置信息，單個(gè)用戶的gps軌跡信息采用x＝{p1，p2，...，pn},其中，pi＝[lati，lngi]，lati表示緯度，lngi表示經(jīng)度；對(duì)于多組gps軌跡，采用真實(shí)的不同用戶的私有g(shù)ps軌跡信息x＝{x1，x2，…，xn}。

10、由上述任一方案優(yōu)選的是，所述步驟2中預(yù)測(cè)噪音與前向擴(kuò)散的噪音最小化的均方誤差的方法，對(duì)于一系列不同用戶的gps軌跡信息x＝{x1，x2，…，xn}進(jìn)行推理，在前向傳播中不斷加入噪音ε，對(duì)預(yù)測(cè)模型unet輸入噪音ε與時(shí)間t，unet輸出預(yù)測(cè)噪音εθ，最小損失函數(shù)表達(dá)式子為：

11、

12、其中，βi表示第i步加噪時(shí)所用的方差，隨著t的增大，βi不斷趨近于1。

13、由上述任一方案優(yōu)選的是，所述步驟3對(duì)同一擴(kuò)散任務(wù)gps軌跡生成分為多個(gè)圖像塊的方法，對(duì)于k個(gè)gpu設(shè)備，將圖片劃分為k份，不同的gpu設(shè)備采用同一個(gè)訓(xùn)練好的模型，進(jìn)行g(shù)ps軌跡生成任務(wù)。

14、由上述任一方案優(yōu)選的是，所述步驟3中g(shù)pu之間異步激活函數(shù)的信息，第k個(gè)gpu設(shè)備在unet網(wǎng)絡(luò)中第j層進(jìn)行第t個(gè)步驟的激活函數(shù)采用表示，在反向生成過(guò)程的unet網(wǎng)絡(luò)中第j層的第t+1個(gè)步驟表示為

15、是完整的空間狀態(tài)；在第k個(gè)gpu設(shè)備中，所對(duì)應(yīng)的gps生成最新的軌跡生成任務(wù)，選擇性地將所對(duì)應(yīng)的第k塊任務(wù)進(jìn)行映射輸出，k個(gè)gpu設(shè)備，每個(gè)gpu設(shè)備僅負(fù)責(zé)個(gè)區(qū)域的計(jì)算。

16、由上述任一方案優(yōu)選的是，所述步驟4中最后所有unet層的輸出同步在gpu最終得出的結(jié)果聚合在一起，每個(gè)gpu最終輸出同步在一起近似第t步的預(yù)測(cè)噪聲εθ。

17、由上述任一方案優(yōu)選的是，所述當(dāng)?shù)趈個(gè)gpu生成了負(fù)責(zé)輸出的激活函數(shù)

18、時(shí)，將向所有其他設(shè)備廣播激活函數(shù)并執(zhí)行聚合操作，gpu通過(guò)異步通訊和計(jì)算，所述聚合操作不阻止正在進(jìn)行的計(jì)算，當(dāng)?shù)絫-1個(gè)步驟時(shí)，每個(gè)設(shè)備都有的副本。

19、由上述任一方案優(yōu)選的是，每個(gè)gpu不斷重復(fù)步驟3和步驟4的操作，一直到最后生成gps軌跡信息。

20、與現(xiàn)有技術(shù)相比，本發(fā)明所具有的優(yōu)點(diǎn)和有益效果為：

21、1、該基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，針對(duì)數(shù)據(jù)可訪問(wèn)性和隱私問(wèn)題，且現(xiàn)實(shí)世界中的人類活動(dòng)表現(xiàn)出隨機(jī)和不確定的特征，本發(fā)明利用擴(kuò)散模型預(yù)測(cè)gps軌跡信息，擴(kuò)散模型從隨機(jī)噪聲中逐步重建數(shù)據(jù)，使其適合生成更真實(shí)的gps軌跡，由于擴(kuò)散模型從隨機(jī)噪聲生成軌跡，因此消除了隱私泄露的風(fēng)險(xiǎn)。

22、2、針對(duì)通過(guò)擴(kuò)散模型生成gps軌跡新型的高延遲，導(dǎo)致交互式應(yīng)用程序的延遲過(guò)高的問(wèn)題，本發(fā)明利用gpu之間的unet網(wǎng)絡(luò)異步共享激活函數(shù)的方法，加快gps軌跡生成速度，克服了擴(kuò)散模型生成gps軌跡信息存在生成速度慢的問(wèn)題。

技術(shù)特征：

1.一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟1)的基于擴(kuò)散模型的gps軌跡生成模型，unet網(wǎng)絡(luò)中每層包含多個(gè)基于1d-cnn的堆疊殘差網(wǎng)絡(luò)塊，每層的卷積核大小為3，且在每層卷積層后引入激活函數(shù)，在上采樣和下采樣之間集成一個(gè)基于注意力機(jī)制的過(guò)渡模塊，其中下采樣使用最大池化，上采樣使用插值的方法，基于注意力機(jī)制的過(guò)度模塊由兩個(gè)堆疊殘差網(wǎng)絡(luò)塊和一個(gè)注意力層組成，整合一個(gè)條件嵌入塊來(lái)學(xué)習(xí)擴(kuò)散步長(zhǎng)和條件信息。

3.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟2中多組gps軌跡用于訓(xùn)練擴(kuò)散模型的方法，所述的多組gps軌跡為一系列連續(xù)采樣的用戶私有g(shù)ps位置信息，單個(gè)用戶的gps軌跡信息采用x＝{p1，p2，...，pn},其中，pi＝[lati，lngi]，lati表示緯度，lngi表示經(jīng)度；對(duì)于多組gps軌跡，采用真實(shí)的不同用戶的私有g(shù)ps軌跡信息x＝{x1，x2，...，xn}。

4.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟2中預(yù)測(cè)噪音與前向擴(kuò)散的噪音最小化的均方誤差的方法，對(duì)于一系列不同用戶的gps軌跡信息x＝{x1，x2，...，xn}進(jìn)行推理，在前向傳播中不斷加入噪音ε，對(duì)預(yù)測(cè)模型unet輸入噪音ε與時(shí)間t，unet輸出預(yù)測(cè)噪音εθ，最小損失函數(shù)表達(dá)式子為：

5.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟3對(duì)同一擴(kuò)散任務(wù)gps軌跡生成分為多個(gè)圖像塊的方法，對(duì)于k個(gè)gpu設(shè)備，將圖片劃分為k份，不同的gpu設(shè)備采用同一個(gè)訓(xùn)練好的模型，進(jìn)行g(shù)ps軌跡生成任務(wù)。

6.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟3中g(shù)pu之間異步激活函數(shù)的信息，第k個(gè)gpu設(shè)備在unet網(wǎng)絡(luò)中第j層進(jìn)行第t個(gè)步驟的激活函數(shù)采用表示，在反向生成過(guò)程的unet網(wǎng)絡(luò)中第j層的第t+1個(gè)步驟表示為是完整的空間狀態(tài)；在第k個(gè)gpu設(shè)備中，所對(duì)應(yīng)的gps生成最新的軌跡生成任務(wù)，選擇性地將所對(duì)應(yīng)的第k塊任務(wù)進(jìn)行映射輸出，k個(gè)gpu設(shè)備，每個(gè)gpu設(shè)備僅負(fù)責(zé)個(gè)區(qū)域的計(jì)算。

7.根據(jù)權(quán)利要求1所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述步驟4中最后所有unet層的輸出同步在gpu最終得出的結(jié)果聚合在一起，每個(gè)gpu最終輸出同步在一起近似第t步的預(yù)測(cè)噪聲εθ。

8.根據(jù)權(quán)利要求7所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：所述當(dāng)?shù)趈個(gè)gpu生成了負(fù)責(zé)輸出的激活函數(shù)時(shí)，將向所有其他設(shè)備廣播激活函數(shù)并執(zhí)行聚合操作，gpu通過(guò)異步通訊和計(jì)算，所述聚合操作不阻止正在進(jìn)行的計(jì)算，當(dāng)?shù)絫-1個(gè)步驟時(shí)，每個(gè)設(shè)備都有的副本。

9.根據(jù)權(quán)利要求7所述的一種基于分布式并行推理擴(kuò)散模型的生成gps軌跡的方法，其特征在于：每個(gè)gpu不斷重復(fù)步驟3和步驟4的操作，一直到最后生成gps軌跡信息。

技術(shù)總結(jié)
本發(fā)明涉及GPS軌跡生成技術(shù)領(lǐng)域，特別是一種基于分布式并行推理擴(kuò)散模型的生成GPS軌跡的方法。本發(fā)明的優(yōu)點(diǎn)在于：構(gòu)建基于擴(kuò)散模型的GPS軌跡生成模型；將真實(shí)GPS軌跡用于訓(xùn)練擴(kuò)散模型，得到預(yù)測(cè)噪音與前向擴(kuò)散的噪音最小化的均方誤差；基于訓(xùn)練完成的擴(kuò)散模型，對(duì)同一擴(kuò)散任務(wù)GPS軌跡生成分為多個(gè)圖像塊，不同的圖像塊分配給不同的GPU計(jì)算，GPU之間異步激活函數(shù)的信息；對(duì)GPU最終得出的結(jié)果聚合在一起，得到預(yù)測(cè)的噪聲；采用該方式，直到完成反向生成過(guò)程，輸出預(yù)測(cè)的GPS軌跡圖片。本申請(qǐng)能夠通過(guò)擴(kuò)散模型生成GPS軌跡，并通過(guò)多GPU加快擴(kuò)散模型對(duì)GPS軌跡生成的速度，提升擴(kuò)散模型的生成效率。

技術(shù)研發(fā)人員：鐘子山,唐建航,金柯兵,李少波
受保護(hù)的技術(shù)使用者：貴州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2