本發(fā)明涉及深度學(xué)習(xí)算法，具體涉及一種基于道路網(wǎng)絡(luò)的端到端稀疏軌跡恢復(fù)方法。

背景技術(shù)：

1、由于gps傳感器在手機(jī)和智能設(shè)備中的廣泛應(yīng)用，用戶能夠方便地通過移動設(shè)備獲取到精確的位置信息。這類融合了時(shí)間信息和空間地理信息的數(shù)據(jù)構(gòu)成了一種被稱為軌跡數(shù)據(jù)的時(shí)空數(shù)據(jù)。在大數(shù)據(jù)時(shí)代，軌跡數(shù)據(jù)已成為眾多基于位置的服務(wù)lbs(location-based?service，lbs)應(yīng)用的基石，如興趣點(diǎn)推薦、路線規(guī)劃和交通預(yù)測等。

2、這些定位服務(wù)應(yīng)用的有效性在很大程度上取決于密集采樣軌跡數(shù)據(jù)的可用性。然而，然而由于功率限制或隱私保護(hù)等原因，大部分軌跡的采樣率較低，這些采樣率較低的軌跡被稱為稀疏軌跡，大大影響了lbs應(yīng)用的性能。在實(shí)踐中，軌跡數(shù)據(jù)集常常因?yàn)楦鞣N因素，如隱私過濾、城市高樓峽谷中的信號丟失或設(shè)備的省電功能，而存在稀疏性和不完整性的問題。這些問題會導(dǎo)致下游lbs應(yīng)用的性能顯著下降。

3、為了解決上述問題，軌跡恢復(fù)成為了一個(gè)研究熱點(diǎn)。大部分研究工作將軌跡恢復(fù)視為時(shí)間序列插補(bǔ)任務(wù)，盡管取得了較大的精度提升，但是城市中的車輛行駛軌跡通常受到道路網(wǎng)絡(luò)的約束，而這些方法無法確?；謴?fù)后的軌跡能夠與道路網(wǎng)絡(luò)完全匹配。目前，在道路網(wǎng)絡(luò)中進(jìn)行軌跡恢復(fù)的一個(gè)簡單方法涉及兩個(gè)階段，即先執(zhí)行稀疏軌跡恢復(fù)方法，然后使用地圖匹配算法將恢復(fù)后的軌跡投影到道路網(wǎng)絡(luò)上。然而，這種兩階段方法計(jì)算成本高昂，而且在進(jìn)行軌跡恢復(fù)時(shí)無法充分利用軌跡數(shù)據(jù)與道路網(wǎng)絡(luò)之間的內(nèi)在關(guān)系。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出基于道路網(wǎng)絡(luò)的端到端稀疏軌跡恢復(fù)方法，該方法通過深度學(xué)習(xí)技術(shù)端到端地實(shí)現(xiàn)軌跡恢復(fù)與地圖匹配的融合，并且基于生成對抗網(wǎng)絡(luò)gan框架提出了新的對抗訓(xùn)練算法，對生成器的參數(shù)更新進(jìn)行優(yōu)化，能夠顯著提升軌跡恢復(fù)的精度和速度。

2、本發(fā)明技術(shù)方案如下：

3、基于道路網(wǎng)絡(luò)的端到端稀疏軌跡恢復(fù)方法,基于生成器和判別器的框架實(shí)現(xiàn)，其中：生成器將輸入的稀疏軌跡恢復(fù)為高采樣率的完整軌跡；判別器評價(jià)輸入軌跡的真實(shí)性，用于指導(dǎo)生成器進(jìn)行參數(shù)更新；通過深度學(xué)習(xí)技術(shù)端到端地實(shí)現(xiàn)軌跡恢復(fù)與地圖匹配的融合，并且通過生成對抗網(wǎng)絡(luò)gan框架對生成器的參數(shù)更新進(jìn)行優(yōu)化，實(shí)現(xiàn)恢復(fù)軌跡完整性和單步插值準(zhǔn)確性的平衡。

4、有益效果：

5、本申請方法考慮了路網(wǎng)對于人類移動軌跡的約束，通過使用深度學(xué)習(xí)技術(shù)，能夠端到端地實(shí)現(xiàn)軌跡恢復(fù)與地圖匹配的融合，省去了地圖匹配這一耗時(shí)的計(jì)算過程。并且，該方法基于生成對抗網(wǎng)絡(luò)gan框架提出了新的對抗訓(xùn)練算法，對生成器的參數(shù)更新進(jìn)行優(yōu)化，綜合考慮了恢復(fù)軌跡的完整性和單步插值的精度。因此，本發(fā)明不僅能夠提升軌跡恢復(fù)的精確度，也能大大降低軌跡恢復(fù)的時(shí)間成本。

技術(shù)特征：

1.基于道路網(wǎng)絡(luò)的端到端稀疏軌跡恢復(fù)方法,其特征在于，基于生成器和判別器的框架實(shí)現(xiàn)，其中：生成器將輸入的稀疏軌跡恢復(fù)為高采樣率的完整軌跡；判別器評價(jià)輸入軌跡的真實(shí)性，用于指導(dǎo)生成器進(jìn)行參數(shù)更新；通過深度學(xué)習(xí)技術(shù)端到端地實(shí)現(xiàn)軌跡恢復(fù)與地圖匹配的融合，并且通過生成對抗網(wǎng)絡(luò)gan框架對生成器的參數(shù)更新進(jìn)行優(yōu)化，實(shí)現(xiàn)恢復(fù)軌跡完整性和單步插值準(zhǔn)確性的平衡。

2.如權(quán)利要求1所述的方法，其特征在于，通過對原始的軌跡數(shù)據(jù)進(jìn)行隨機(jī)掩碼操作獲得稀疏軌跡；該掩碼操作首先指定缺失率，按照缺失率對軌跡中的已知位置點(diǎn)進(jìn)行掩碼，即將對應(yīng)的位置刪去并標(biāo)記為缺失值，最后得到稀疏軌跡數(shù)據(jù)；將原始的軌跡數(shù)據(jù)以及獲得的稀疏軌跡數(shù)據(jù)作為數(shù)據(jù)集，劃分為訓(xùn)練集、驗(yàn)證集和測試集，訓(xùn)練集用于訓(xùn)練生成器和判別器，驗(yàn)證集用于選擇最合適的生成器，測試集用于評估生成器的效果；相關(guān)定義如下：

3.如權(quán)利要求1所述的方法，其特征在于，生成器架構(gòu)包含編碼器和解碼器，對應(yīng)兩個(gè)階段：編碼和解碼；

4.如權(quán)利要求3所述的方法，其特征在于，所述生成器，輸入為道路網(wǎng)絡(luò)g和稀疏路網(wǎng)軌跡tm，輸出為高采樣率的完整軌跡

5.如權(quán)利要求1所述的方法，其特征在于，判別器采用lstm作為網(wǎng)絡(luò)結(jié)構(gòu)，通過lstm輸入由生成器恢復(fù)得到的路網(wǎng)軌跡，從中提取特征，然后經(jīng)過一個(gè)帶有sigmoid激活函數(shù)的線性層，輸出該軌跡為真實(shí)的概率。

6.如權(quán)利要求1所述的方法，其特征在于，訓(xùn)練算法包括兩個(gè)階段：預(yù)訓(xùn)練階段和對抗訓(xùn)練階段；

7.如權(quán)利要求6所述的方法，其特征在于，所述預(yù)訓(xùn)練階段：

8.如權(quán)利要求6所述的方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明涉及深度學(xué)習(xí)算法，提出了基于道路網(wǎng)絡(luò)的端到端稀疏軌跡恢復(fù)方法，基于生成器和判別器的框架實(shí)現(xiàn)，其中：生成器將輸入的稀疏軌跡恢復(fù)為高采樣率的完整軌跡；判別器評價(jià)輸入軌跡的真實(shí)性，用于指導(dǎo)生成器進(jìn)行參數(shù)更新；通過深度學(xué)習(xí)技術(shù)端到端地實(shí)現(xiàn)軌跡恢復(fù)與地圖匹配的融合，并且通過生成對抗網(wǎng)絡(luò)GAN框架對生成器的參數(shù)更新進(jìn)行優(yōu)化，實(shí)現(xiàn)恢復(fù)軌跡完整性和單步插值準(zhǔn)確性的平衡。本發(fā)明能夠顯著提升軌跡恢復(fù)的精度和速度。

技術(shù)研發(fā)人員：饒衛(wèi)雄,趙欽佩,時(shí)奕晨
受保護(hù)的技術(shù)使用者：同濟(jì)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6