CN110210604B - 一种终端设备移动轨迹预测方法及装置 - Google Patents
一种终端设备移动轨迹预测方法及装置 Download PDFInfo
- Publication number
- CN110210604B CN110210604B CN201910426029.9A CN201910426029A CN110210604B CN 110210604 B CN110210604 B CN 110210604B CN 201910426029 A CN201910426029 A CN 201910426029A CN 110210604 B CN110210604 B CN 110210604B
- Authority
- CN
- China
- Prior art keywords
- track
- point
- historical track
- sequence
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供了一种终端设备移动轨迹预测方法及装置。将历史轨迹序列中包含的各历史轨迹点对应的特征值输入到预先训练的逻辑回归模型中,获得多个目标停留点对应的权重值;将每个目标停留点与该目标停留点对应的权重值进行拼接,并将各目标停留点对应的拼接元素的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。由于本发明实施例中,用停留点的权重值来表示终端设备的轨迹行为特征,用用户停留点表示终端设备的位置特征;通过将停留点和停留点的权重值合并后的元素,作为循环神经网络模型的训练样本,并得到用于预测终端设备的轨迹行为的循环神经网络模型,从而准确的对终端设备进行移动轨迹预测。
Description
技术领域
本发明涉及定位导航技术领域,特别是涉及一种终端设备移动轨迹预测方法及装置。
背景技术
随着定位技术的发展及广泛应用,基于位置的服务逐渐成为生活中不可或缺的部分。通过分析终端设备的轨迹信息,挖掘其中隐含的终端设备信息来完善终端设备的服务体验,成为数据挖掘的一个重要领域。通过终端设备的轨迹信息,例如,终端设备的GPS(Global Positioning System,全球定位系统)数据,对终端设备轨迹进行预测以及终端设备行为分析,对导航服务以及交通管理等应用至关重要。
目前,基于终端设备GPS数据对终端设备的运动位置以及运动行为进行预测的方法主要有概率类方法。概率类方法通过挖掘终端设备的GPS轨迹数据,建立终端设备的轨迹模型。通过该轨迹模型先对终端设备的位置进行预测,再对终端设备的行为进行预测。
由于现有的概率类方法忽略了终端设备的行为与终端设备的位置之间存在相互影响的关系,因此,现有的基于终端设备的GPS轨迹信息对终端设备的行为和位置分开预测的概率类方法,导致降低了终端设备轨迹的预测精确度。
发明内容
本发明实施例的目的在于提供一种终端设备移动轨迹预测方法,以提高用户轨迹的预测精确度。
具体技术方案如下:
第一方面,本发明实施例提供了一种终端设备移动轨迹预测方法,所述方法包括:
获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对所述历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
确定所述预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值;其中,所述停留点为待预测终端设备在所述目标区域内停留且产生社交活动的位置的坐标;
针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定所述拼接元素对应的向量;
将所述各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹。
可选的,在所述将所述各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹的步骤之前,还可以包括:
获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
根据预设处理策略,对所述多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;
将所述各样本轨迹点的第二特征值输入到预先训练的逻辑回归模型中,获得所述样本轨迹序列中包含的各目标停留点对应的权重值;
针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;
根据预设的向量生成算法,确定所述每个拼接元素对应的向量,并将所述预处理后的多个样本轨迹序列中包含的各停留点对应的向量组成样本集合;
将所述样本集合输入到预设循环神经网络模型,对所述循环神经网络模型进行训练,得到训练后的循环神经网络模型。
可选的,所述历史轨迹序列可以包含历史轨迹点的到达时间;
所述确定预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值,的步骤之前,还可以包括:
基于预设的漂移点清除算法,对所述历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列;其中,所述漂移轨迹点为历史轨迹序列中包含的噪声轨迹点;
基于预设的网格划分策略,对所述目标区域进行网格划分,并为所述第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到所述目标区域对应的第一地理网格标识序列;
计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将所述到达时间差值作为所述第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间;
将所述第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列;其中,所述第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为所述在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值;
从所述第二地理网格标识序列中包含的初始元素开始,依次判断所述第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件;
若所述历史轨迹点满足预设条件,则对所述历史轨迹点进行预处理,得到预处理后的历史轨迹点。
可选的,所述将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值的步骤,可以包括:
将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述各个历史轨迹点对应的权重值;
若所述历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;
若所述历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
第二方面,本发明实施例提供了一种终端设备移动轨迹预测装置,所述装置包括:
得到模块,用于获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对所述历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
第二特征值确定模块,用于确定所述预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
权重值获得模块,用于将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值;其中,所述停留点为待预测终端设备在所述目标区域内停留且产生社交活动的位置的坐标;
向量确定模块,用于针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定所述拼接元素对应的向量;
预测轨迹得到模块,用于将所述各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹。
可选的,所述装置还可以包括:
第一获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
第一得到单元,用于根据预设处理策略,对所述多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第一特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;
权重值获取单元,用于将所述各样本轨迹点的第二特征值输入到预先训练的逻辑回归模型中,获得所述样本轨迹序列中包含的多个目标停留点对应的权重值;
拼接元素得到单元,用于针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;
样本集合组成单元,用于根据预设的向量生成算法,确定所述每个拼接元素对应的向量,并将所述预处理后的多个样本轨迹序列中包含的各目标停留点对应的向量组成样本集合;
循环神经网络模型得到单元,用于将所述样本集合输入到预设循环神经网络模型,对所述循环神经网络模型进行训练,得到训练后的循环神经网络模型。
可选的,所述装置还可以包括:
第二获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
第二得到单元,用于根据预设处理策略,对所述多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第二特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各历史轨迹点的第二特征值;
逻辑回归模型确定单元,用于从所述预处理后的多个样本轨迹序列中包含的多个历史轨迹点中选取预设数目个历史轨迹点,并将所述预设数目个停留点对应的第二特征值作为预设逻辑回归模型的输入,并对所述逻辑回归模型进行训练,得到训练后的逻辑回归模型。
可选的,所述历史轨迹序列可以包含历史轨迹点的到达时间;
所述装置还可以包括:
第一历史轨迹序列获得单元,用于基于预设的漂移点清除算法,对所述历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列;其中,所述漂移轨迹点为历史轨迹序列中包含的噪声轨迹点;
第一地理网格标识序列得到单元,用于基于预设的网格划分策略,对所述目标区域进行网格划分,并为所述第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到所述目标区域对应的第一地理网格标识序列;
停留时间确定单元,用于计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将所述到达时间差值作为所述第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间;
第二地理网格标识序列获得单元,用于将所述第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列;其中,所述第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为所述在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值;
判断单元,用于从所述第二地理网格标识序列中包含的初始元素开始,依次判断所述第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件;
预处理后的历史轨迹点得到单元,用于若所述历史轨迹点满足预设条件,则对所述历史轨迹点进行预处理,得到预处理后的历史轨迹点。
可选的,上述权重值获得模块,可以包括:
权重值确定单元,用于若将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述各个历史轨迹点对应的权重值;
非目标停留点确定单元,用于若所述历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;
目标停留点确定单元,用于若所述历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现以下方法步骤:
获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对所述历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
确定所述预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值;其中,所述停留点为待预测终端设备在所述目标区域内停留且产生社交活动的位置的坐标;
针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定所述拼接元素对应的向量;
将所述各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹。
第四方面,本发明实施还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一终端设备移动轨迹预测方法的步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一终端设备移动轨迹预测方法。
本发明实施例提供了一种终端设备移动轨迹预测方法及装置。将预处理后的历史轨迹序列中包含的各历史轨迹点对应的特征值输入到预先训练的逻辑回归模型中,获得历史轨迹序列中包含的各目标停留点对应的权重值;将每个目标停留点与该目标停留点对应的权重值进行拼接,并将各目标停留点对应的拼接元素的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。由于本发明实施例中,用停留点的权重值来表示终端设备轨迹行为特征,用用户停留点表示终端设备的位置特征;通过将停留点和停留点的权重值合并后的元素,作为预设循环神经网络模型的训练样本,并得到用于预测终端设备的轨迹行为的循环神经网络模型,从而准确的对终端设备进行移动轨迹预测。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种终端设备移动轨迹预测方法的流程示意图;
图2为本发明实施例提供的一种终端设备移动轨迹预测装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高用户轨迹的预测精确度,本发明实施例提供了一种终端设备移动轨迹预测方法及装置,以下分别进行详细说明。
下面首先对本发明实施例提供的一种终端设备移动轨迹预测方法进行介绍。
本申请提供了一种终端设备移动轨迹预测方法,该方法的执行主体可以为服务器,也可以为终端设备。本发明实施例中,是以执行主体为终端设备为例,解释如何对目标终端设备的移动轨迹进行预测。例如,在无人机对地目标定位领域,为了合理配置无人机(终端设备)中的配置数据,无人机需要对目标移动有一个预判,基于目标历史轨迹的预测能够到达此目的。或者,在车载导航领域中,应用本发明实施例提供的方法可以更准确的对目标车辆在目标时刻内的运动轨迹进行预测,从而为目标车辆预加载多个可能的出行路线。
参见图1,图1为本发明实施例提供的一种终端设备移动轨迹预测方法,该方法可以包括如下步骤:
S101,获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对历史轨迹序列进行预处理,得到预处理后的历史轨迹序列。
在实际应用中,GPS数据采集设备定时将采集的各个携带有终端设备(例如,手机,平板电脑等电子设备)的用户在一段时间内的运动轨迹信息,存储在GPS数据存储设备中。其中,运动轨迹信息可以为用户在一段时间内的运动位置的坐标。由于外界环境、电子设备自身等问题,可能导致GPS数据采集设备在采集用户在一段时间内的运动轨迹信息时,出现噪声点信息。因此,在通过对用户的历史轨迹信息进行分析,从而对该用户的下一移动轨迹进行预测之前,需要对从GPS数据存储设备中获取的各个用户的历史轨迹信息进行预处理,即删除掉各个用户的历史轨迹信息中的噪声点信息。在本发明实施例中,对用户的移动轨迹的预测即为对该用户携带的终端设备的移动轨迹的预测。
在实施中,可以将需要进行移动轨迹预测的终端设备称为待预测终端设备,终端设备获取该待预测终端设备在目标区域内的历史轨迹序列。之后,终端设备根据预处理策略中预设的漂移点清除算法,将该待预测终端设备的历史轨迹序列中包含的噪声轨迹点(漂移轨迹点)进行清除,得到预处理后的历史轨迹序列。
其中,历史轨迹序列可以为待预测终端设备在下一预测位置之前,该终端设备在目标区域内的运动轨迹信息。
可选的,本发明实施例提供了一种对获取的待预测终端设备的历史轨迹序列进行预处理的具体实现方式,可以包括如下步骤:
步骤一:基于预设的漂移点清除算法,对历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列。
其中,漂移轨迹点可以为历史轨迹序列中包含的噪声轨迹点。
在实施中,终端设备从获取的历史轨迹序列中包含的第一个历史轨迹点开始,依次判断每个历史轨迹点与其前一个历史轨迹点之间的距离是否小于预设距离阈值,且该历史轨迹点的运动速度是否满足预设速度阈值。若该历史轨迹点的与其前一个历史轨迹点之间的距离小于预设距离阈值,且该历史轨迹点的运动速度满足预设速度阈值,则保留该历史轨迹点,否则,终端设备将该历史轨迹点进行清除(即删除)。最后,将保留下的历史轨迹点构成第一历史轨迹序列。
步骤二:基于预设的网格划分策略,对目标区域进行网格划分,并为第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到目标区域对应的第一地理网格标识序列。
在实施中,终端设备按照经度和纬度都为0.001度的标准,将目标区域划分为多个网格。为了便于区别,本发明实施例中,为上述每个网格分配一个网格标识,例如,1、2、3,或者,a1、b1、c1等字符或字符串。由于上述步骤一确定出的第一历史轨迹点序列中包含的各个历史轨迹点即为该目标区域中的历史轨迹点。因此,在将目标区域划分为多个网格之后,该第一历史轨迹点中包含的各个历史轨迹点都将对应一个网格。同理,该第一历史轨迹点中包含的每个历史轨迹点都可以对应一个网格标识,并将第一历史轨迹点中包含的各个历史轨迹点对应的网格标识组成的序列,称为第一地理网格标识序列。
步骤三:计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将到达时间差值作为第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间。
其中,历史轨迹序列可以包含历史轨迹点的到达时间。
在实施中,每个历史轨迹点对应一个到达时间,终端设备从上述步骤二确定出的第一地理网格标识序列中的第一个元素开始,将该元素对应的历史轨迹点的到达时间与其相邻的下一个元素对应的历史轨迹点的到达时间相减,得到的数值确定为该元素对应的历史轨迹点的停留时间。
举例而言,假设第一地理网格标识序列为{a,b,c,d,e,f},该第一地理网格标识序列中每个元素对应的到达时间为{1,5,7,8,10}。那么,第一地理网格标识序列中第一个元素对应的停留时间为5-1=4分钟,第一地理网格标识序列中第二个元素对应的停留时间为7-5=2分钟。
步骤四:将第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列。
在实施中,由于可能出现同一网格中包含多个历史轨迹点的情况,因此,在上述步骤二得到第一地理网格标识序列中可能包含多个相同网格标识的元素,例如,{a,a,b,c,c,d,e,e,f}。这时,终端设备需要将第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,即,将序列{a,a,b,c,c,d,e,e,f}中的,第一元素和第二元素进行合并,将第四元素和第五元素合并,将第七元素和第八元素进行合并,得到新序列{a,b,c,d,e,f},并将该新序列称为第二地理网格标识序列。
其中,第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值。
步骤五:从第二地理网格标识序列中包含的初始元素开始,依次判断第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件。若历史轨迹点满足预设条件,则对历史轨迹点进行预处理,得到预处理后的历史轨迹点。
其中,预设条件为时间窗口,该时间窗口可以为30分钟。
在实施中,终端设备从第二地理网格标识序列中包含的初始元素(假设为元素A)开始,统计时间窗口内元素A在后续元素中是否出现,且元素A在时间窗口内停留时间是否超过预设时长。其中,预设时长可以为15分钟。将该元素对应的历史轨迹点的到达时间与其相邻的下一个元素对应的历史轨迹点的到达时间相减,得到的数值确定为该元素对应的历史轨迹点的停留时间。若元素A在时间窗口内出现,且该元素A在时间窗口内停留的时间超过预设时长,则将在时间窗口内第一个出现元素A的位置和最后一个出现元素A的位置之间的所有元素合并成一个元素,即合并成元素A。以此类推,直到判断完第二地理网格标识序列中包含的各个元素。例如,假设判断第二地理网格标识序列中包含的元素a,则在实际应用中,终端设备可以将在时间窗口内第一个出现该元素a的位置和最后一个出现该元素a的位置之间的所有元素合并成一个元素的执行过程为将在时间窗口内第一个出现元素a的位置和最后一个出现元素a的位置之间的所有元素删除,并替换为一个元素a。
举例而言,假设第二地理网格标识序列为{a,b,a,c,d,e,f},该第二地理网格标识序列中每个元素对应的到达时间为{8,9,9,10,11,12,13},时间窗口为30分钟。从第一元素a开始,在30分钟内,第一个元素停留8分钟,第二个元素停留9分钟,以此类推,在30分钟内,一共出现了4个元素,即为元素a,b,a,c。由于第一元素a在时间窗口30分钟内重复出现了,并且,元素a在时间窗口30分钟内总的停留时间为8+9>15,因此,将第二地理网格标识序列中的前三个元素合并为元素a,这合并之后得到序列为{a,c,d,e,f},且合并之后的元素a对应的停留时间为合并之前元素a,b,a对应的停留时间之和,即8+9+9=26分钟。
S102,确定预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值。
在实施中,在步骤S101获取待预测终端设备在目标区域内的历史轨迹序列中,每个历史轨迹序列不仅可以包含到达时间,还可以包含各历史轨迹点对应的时间戳、用户运动方向和用户运动速度等信息。根据历史轨迹序列中包含的各历史轨迹点对应的信息,可以构造出多个特征,例如,将历史轨迹序列中相邻两个历史轨迹点对应的到达时间做差,即可得到该历史轨迹点的停留时间特征值。
可选的,本发明实施例提供了一种初步确定预处理后的历史轨迹序列中包含的停留点和非停留点的具体实施方式,包括如下步骤:
若历史轨迹点对应的停留时间值小于预设停留时间阈值,且该历史轨迹点对应的角度熵值小于预设角度熵阈值,则将该历史轨迹点确定为停留点;若历史轨迹点的停留时间值不小于预设停留时间阈值和/或所述历史轨迹点的角度熵值不小于预设角度熵阈值,则将该历史轨迹点确定为非停留点。
其中,停留点为待预测终端设备在目标区域内停留且产生社交活动的位置坐标。第一特征值可以为停留时间值和角度熵值。角度熵值可以反映用户轨迹在一个地理网格之内的角度变化情况。
在实施中,在步骤S101确定出的预处理后的历史轨迹序列中,并不是每个历史轨迹点都为用户的实际运动轨迹点。本发明实施例中,将携带有终端设备的用户在目标区域内实际停留的点称为停留点,其对应的坐标为停留点的坐标。终端设备从预处理后的历史轨迹序列中包含的第一历史轨迹点开始,将该历史轨迹点对应的停留时间值(第一特征值)与预设停留时间阈值进行比较,且将该历史轨迹点对应的角度熵值(第一特征值)与预设角度熵阈值进行比较。若该历史轨迹点对应的停留时间值小于预设停留时间阈值,且该历史轨迹点对应的角度熵值小于预设角度熵阈值,则将该历史轨迹点确定为停留点;否则,将该历史轨迹点确定为非停留点。
S103,将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得历史轨迹序列中包含的多个目标停留点对应的权重值。
在实施中,由于终端设备对某用户的移动轨迹进行预测,就是确定根据该用户当前时刻的运动轨迹特性,确定该用户在下一时刻可能所处位置的特性。由于启发式阈值算法在确定停留点的过程中,可能存在特征阈值选取过大或过小,从而导致选取的停留点不准确的问题。
可选的,在本发明实施例中还提供了一种通过预先训练的逻辑回归模型进行目标停留点判断的具体处理方式,可以包括如下步骤:
1、将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得各个历史轨迹点对应的权重值;2、若历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;3、若历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
在实施中,终端设备在根据预设的启发式阈值算法和第一特征值,确定出的停留点和非停留点之后,终端设备可以将上述历史轨迹序列中包含的各个历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,从而可以确定出历史轨迹序列中包含的各个历史轨迹点对应的权重值。然后,将历史轨迹序列中包含的每个历史轨迹点对应的权重值与预设的权重值阈值进行比较,若某个历史轨迹点对应的权重值大于或等于预设权重值阈值,则将该历史轨迹点确定为目标停留点。
应用本发明实施例,通过将启发式阈值法和逻辑回归模型相结合的方式,对待预测终端设备在目标区域内的历史轨迹序列进行判断,从而准确的确定出该历史轨迹序列中包含的多个目标停留点。
进一步的,终端设备可以通过将不同终端设备在不同时间段内的历史轨迹序列中包含的各个历史轨迹点对应的第二特征值作为样本轨迹点序列,对预设的逻辑回归模型进行训练,即可得到训练后的逻辑回归模型。其中,样本轨迹点序列中包含预设数目个停留点和非停留点。
可选的,本发明实施例提供了一种确定预先训练的逻辑回归模型的具体实现方式,可以包括如下步骤:1、获取多个终端设备在目标区域内的样本轨迹序列;2、根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;3、根据预设的特征值提取策略,终端设备确定预处理后的多个样本轨迹序列中包含的各历史轨迹点的第二特征值;4、从预处理后的多个样本轨迹序列中包含的多个历史轨迹点中选取预设数目个历史轨迹点,并将预设数目个历史轨迹点对应的第二特征值作为预设逻辑回归模型的输入,并对逻辑回归模型进行训练,得到训练后的逻辑回归模型。
在实施中,终端设备将多个终端设备在目标区域内的历史轨迹序列作为样本轨迹序列。并对样本轨迹训练执行上述步骤S102和步骤S103,便可确定出预处理后的多个样本轨迹序列中包含的各历史轨迹点对应的第二特征值。其中,样本轨迹序列中包含各个终端设备在目标区域内的历史轨迹序列。
由于样本轨迹序列中包含的各历史轨迹点数量较多,因此,为了减少计算量,本发明实施例中只从多个样本轨迹序列中包含的多个历史轨迹点中选取预设数目个历史轨迹点,及其对应的第二特征值(停留时间值和角度熵值)作为训练样本,并对预设逻辑回归模型进行训练,即可得到训练后的逻辑回归模型。
S104,针对每个目标停留点,将每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定拼接元素对应的向量。
在实施中,终端设备在确定出历史轨迹点序列中包含的每个目标停留点对应的权重值之后,可以对每个目标停留点对应的权重值进行离散化。例如,停留点a的权重值为0.22,则将根据预设的离散序列中与该权重值差值最小的数值作为该停留点对应的离散化后的权重值,即停留点a离散化后的权重值为0.2。
进一步的,终端设备可以将预处理后的历史轨迹序列中包含的各个目标停留点对应的字符串与其对应的离散后的权重值对应的字符串进行拼接,得到各个目标停留点对应的拼接元素。再调用自然语言处理工具中的向量处理算法,对该拼接元素进行处理,得到该拼接元素对应的向量。
本发明实施例中,在对各个目标停留点对应的字符串与其对应的离散后的权重值对应的字符串进行拼接时,并不限定具体的拼接顺序,即可以将目标停留点对应的字符串在前,其对应的离散后的权重值对应的字符串在后进行拼接。也可以将停留点对应的离散后的权重值的字符串在前,该目标停留点对应的字符串在后进行拼接。
S105,将各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。
在实施中,先将多个终端设备在目标区域内的历史轨迹序列作为样本轨迹序列。对样本轨迹训练执行上述步骤S102到步骤S104,便可确定出预处理后的多个样本轨迹序列中包含的多个目标停留点对应的向量。选取预设数目个目标停留点,及其对应的向量作为训练样本,并对预设的循环神经网络模型进行训练,即可得到训练后的循环神经网络模型。然后,将步骤S102中确定出的预处理后的历史轨迹序列中包含的各个目标停留点对应的向量输入到预先训练的循环神经网络模型中,便可得到待预测终端设备在目标区域内的下一时刻的具体位置坐标。
可选的,本发明实施例提供了一种预先训练的循环神经网络模型的具体实现方式,可以包括如下步骤:1、获取多个终端设备在目标区域内的样本轨迹序列;2、根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;3、根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;4、将各目标停留点的第二特征值输入到预先训练的逻辑回归模型中,获得各目标停留点对应的权重值;5、针对每个目标停留点,将每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;6、根据预设的向量生成算法,确定每个拼接元素对应的向量,并将预处理后的多个样本轨迹序列中包含的各停留点对应的向量组成样本集合;7、将样本集合输入到预设循环神经网络模型,对循环神经网络模型进行训练,得到训练后的循环神经网络模型。
在实施中,样本轨迹序列中包含各个终端设备在目标区域内的历史轨迹序列。具体可以采用上述步骤S101到步骤S103描述的确定确定各目标停留点对应的权重值的方式执行,在此不再进行详细描述。然后,终端设备调用预设的自然语言处理工具Gensim中的Word2vec模块中CBOW算法,或其他确定向量的算法,对目标停留点对应的拼接元素进行向量运算,得到样本集合。并将该样本集合输入到预设循环神经网络模型,对循环神经网络模型进行训练,得到训练后的循环神经网络模型。
本发明实施例提供了一种终端设备移动轨迹预测方法,将预处理后的历史轨迹序列中包含的各目标停留点对应的特征值输入到预先训练的逻辑回归模型中,获得各目标停留点对应的权重值;将每个目标停留点与该目标停留点对应的权重值进行拼接,并将各目标停留点对应的拼接元素的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。由于本发明实施例中,用停留点的权重值来表示终端设备轨迹行为特征,用用户停留点表示终端设备的位置特征;通过将停留点和停留点的权重值合并后的元素,作为预设循环神经网络模型的训练样本,并得到用于预测终端设备的轨迹行为的循环神经网络模型,从而准确的对终端设备进行移动轨迹预测。
基于相同的技术构思,相应于图1所示的方法实施例,本申请实施例还提供了一种终端设备移动轨迹预测装置,如图2所示,该装置包括:
得到模块201,用于获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
第二特征值确定模块202,用于确定预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
权重值获得模块203,用于将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得历史轨迹序列中包含的多个目标停留点对应的权重值;其中,停留点为待预测终端设备在目标区域内停留且产生社交活动的位置的坐标
向量确定模块204,用于针对每个目标停留点,将每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定拼接元素对应的向量;
预测轨迹得到模块205,用于将各目标停留点对应的向量素输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。
在本申请实施例中,上述装置还可以包括:
第一获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,样本轨迹序列为多个终端设备在目标区域内的历史轨迹序列;
第一得到单元,用于根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第一特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;
权重值获取单元,用于将各样本轨迹点的第二特征值输入到预先训练的逻辑回归模型中,获得样本轨迹序列中包含的多个目标停留点对应的权重值;
拼接元素得到单元,用于针对每个目标停留点,将每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;
样本集合组成单元,用于根据预设的向量生成算法,确定每个拼接元素对应的向量,并将预处理后的多个样本轨迹序列中包含的各目标停留点对应的向量组成样本集合;
循环神经网络模型得到单元,用于将样本集合输入到预设循环神经网络模型,对循环神经网络模型进行训练,得到训练后的循环神经网络模型。
在本申请实施例中,上述装置还可以包括:
第二获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,样本轨迹序列为多个终端设备在目标区域内的历史轨迹序列;
第二得到单元,用于根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第二特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各历史轨迹点的第二特征值;
逻辑回归模型确定单元,用于从预处理后的多个样本轨迹序列中包含的多个历史停留点中选取预设数目个历史停留点,并将预设数目个历史停留点对应的第二特征值作为预设逻辑回归模型的输入,并对逻辑回归模型进行训练,得到训练后的逻辑回归模型。
在本申请实施例中,上述历史轨迹序列可以包含历史轨迹点的到达时间;
上述装置还可以包括:
第一历史轨迹序列获得单元,用于基于预设的漂移点清除算法,对历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列;其中,漂移轨迹点为历史轨迹序列中包含的噪声轨迹点;
第一地理网格标识序列得到单元,用于基于预设的网格划分策略,对目标区域进行网格划分,并为第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到目标区域对应的第一地理网格标识序列;
停留时间确定单元,用于计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将到达时间差值作为第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间;
第二地理网格标识序列获得单元,用于将第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列;其中,第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值;
判断单元,用于从第二地理网格标识序列中包含的初始元素开始,依次判断第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件;
预处理后的历史轨迹点得到单元,用于若历史轨迹点满足预设条件,则对历史轨迹点进行预处理,得到预处理后的历史轨迹点。
在本申请实施例中,上述权重值获得模块,可以包括:
权重值确定单元,用于若将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得各个历史轨迹点对应的权重值;
非目标停留点确定单元,用于若历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;
目标停留点确定单元,用于若历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
本发明实施例提供了一种终端设备移动轨迹预测装置,将预处理后的历史轨迹序列中包含的各目标停留点对应的特征值输入到预先训练的逻辑回归模型中,获得各目标停留点对应的权重值;将每个目标停留点与该目标停留点对应的权重值进行拼接,并将各目标停留点对应的拼接元素的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。由于本发明实施例中,用停留点的权重值来表示终端设备轨迹行为特征,用用户停留点表示终端设备的位置特征;通过将停留点和停留点的权重值合并后的元素,作为预设循环神经网络模型的训练样本,并得到用于预测终端设备的轨迹行为的循环神经网络模型,从而准确的对终端设备进行移动轨迹预测。
本发明实施例还提供了一种电子设备,如图3所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
确定预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得历史轨迹序列中包含的多个目标停留点对应的权重值;其中,停留点为待预测终端设备在目标区域内停留且产生社交活动的位置的坐标;
针对每个目标停留点,将每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定拼接元素对应的向量;
将各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到待预测终端设备在目标区域内的预测轨迹。
另外,处理器301执行存储器303上所存放的程序而实现的方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一终端设备移动轨迹预测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一终端设备移动轨迹预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备以及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何调整、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种终端设备移动轨迹预测方法,其特征在于,所述方法包括:
获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对所述历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
确定所述预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值;其中,所述停留点为待预测终端设备在所述目标区域内停留且产生社交活动的位置的坐标;
针对每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定所述拼接元素对应的向量;
将各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹;
其中,所述历史轨迹序列包含历史轨迹点的到达时间;
所述确定预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值的步骤之前,还包括:
基于预设的漂移点清除算法,对所述历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列;
基于预设的网格划分策略,对所述目标区域进行网格划分,并为所述第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到所述目标区域对应的第一地理网格标识序列;
计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将所述到达时间差值作为所述第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间;
将所述第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列;其中,所述第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值;
从所述第二地理网格标识序列中包含的初始元素开始,依次判断所述第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件;
若所述历史轨迹点满足预设条件,则对所述历史轨迹点进行预处理,得到预处理后的历史轨迹点。
2.根据权利要求1所述的方法,其特征在于,在所述将各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹的步骤之前,还包括:
获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;
将所述各样本轨迹点的第二特征值输入到预先训练的逻辑回归模型中,获得所述样本轨迹序列中包含的多个目标停留点对应的权重值;
针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;
根据预设的向量生成算法,确定每个拼接元素对应的向量,并将所述预处理后的多个样本轨迹序列中包含的各目标停留点对应的向量组成样本集合;
将所述样本集合输入到预设循环神经网络模型,对所述循环神经网络模型进行训练,得到训练后的循环神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值的步骤之前,还包括:
获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各历史轨迹点的第二特征值;
从所述预处理后的多个样本轨迹序列中包含的多个历史轨迹点中选取预设数目个历史轨迹点,并将所述预设数目个历史轨迹点对应的第二特征值作为预设逻辑回归模型的输入,并对所述逻辑回归模型进行训练,得到训练后的逻辑回归模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值的步骤,包括:
将各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述各历史轨迹点对应的权重值;
若所述历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;
若所述历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
5.一种终端设备移动轨迹预测装置,其特征在于,所述装置包括:
得到模块,用于获取待预测终端设备在目标区域内的历史轨迹序列,并根据预处理策略,对所述历史轨迹序列进行预处理,得到预处理后的历史轨迹序列;
第二特征值确定模块,用于确定所述预处理后的历史轨迹序列中包含的各历史轨迹点的第一特征值;
权重值获得模块,用于将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述历史轨迹序列中包含的多个目标停留点对应的权重值;其中,所述停留点为待预测终端设备在所述目标区域内停留且产生社交活动的位置的坐标;
向量确定模块,用于针对每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素,并确定所述拼接元素对应的向量;
预测轨迹得到模块,用于将各目标停留点对应的向量输入到预先训练的循环神经网络模型中,得到所述待预测终端设备在所述目标区域内的预测轨迹;
其中,所述历史轨迹序列包含历史轨迹点的到达时间;
所述装置还包括:
第一历史轨迹序列获得单元,用于基于预设的漂移点清除算法,对所述历史轨迹序列进行漂移轨迹点清除处理,获得第一历史轨迹序列;其中,所述漂移轨迹点为历史轨迹序列中包含的噪声轨迹点;
第一地理网格标识序列得到单元,用于基于预设的网格划分策略,对所述目标区域进行网格划分,并为所述第一历史轨迹序列中包含的各历史轨迹点分别分配一网格标识,得到所述目标区域对应的第一地理网格标识序列;
停留时间确定单元,用于计算第一历史轨迹序列中包含的相邻两个历史轨迹点的到达时间差值,将所述到达时间差值作为所述第一地理网格标识序列中包含的各网格标识对应的历史轨迹点的停留时间;
第二地理网格标识序列获得单元,用于将所述第一地理网格标识序列中包含的具有相同网格标识的相邻元素进行合并,获得第二地理网格标识序列;其中,所述第二地理网格标识序列中包含的通过合并得到的元素对应的停留时间为在第一地理网格标识序列中具有相同网格标识的所有相邻元素的停留时间的和值;
判断单元,用于从所述第二地理网格标识序列中包含的初始元素开始,依次判断所述第二地理网格标识序列中包含的各网格标识对应的历史轨迹点是否满足预设条件;
预处理后的历史轨迹点得到单元,用于若所述历史轨迹点满足预设条件,则对所述历史轨迹点进行预处理,得到预处理后的历史轨迹点。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第一获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
第一得到单元,用于根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第一特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各样本轨迹点的第二特征值;
权重值获取单元,用于将所述各样本轨迹点的第二特征值输入到预先训练的逻辑回归模型中,获得所述样本轨迹序列中包含的多个目标停留点对应的权重值;
拼接元素得到单元,用于针对所述每个目标停留点,将所述每个目标停留点与该目标停留点对应的权重值进行拼接,得到每个目标停留点对应的拼接元素;
样本集合组成单元,用于根据预设的向量生成算法,确定每个拼接元素对应的向量,并将所述预处理后的多个样本轨迹序列中包含的各目标停留点对应的向量组成样本集合;
循环神经网络模型得到单元,用于将所述样本集合输入到预设循环神经网络模型,对所述循环神经网络模型进行训练,得到训练后的循环神经网络模型。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于获取多个终端设备在目标区域内的样本轨迹序列;其中,所述样本轨迹序列为所述多个终端设备在目标区域内的历史轨迹序列;
第二得到单元,用于根据预设处理策略,对多个样本轨迹序列进行预处理,得到预处理后的多个样本轨迹序列;
第二特征值确定单元,用于根据预设的特征值提取策略,确定预处理后的多个样本轨迹序列中包含的各历史轨迹点的第二特征值;
逻辑回归模型确定单元,用于从所述预处理后的多个样本轨迹序列中包含的多个历史轨迹点中选取预设数目个历史轨迹点,并将所述预设数目个历史轨迹点对应的第二特征值作为预设逻辑回归模型的输入,并对所述逻辑回归模型进行训练,得到训练后的逻辑回归模型。
8.根据权利要求5所述的装置,其特征在于,所述权重值获得模块,包括:
权重值确定单元,用于若将所述各历史轨迹点的第一特征值输入到预先训练的逻辑回归模型中,获得所述各历史轨迹点对应的权重值;
非目标停留点确定单元,用于若所述历史轨迹点对应的权重值小于预设权重值阈值,则将该历史轨迹点确定为非目标停留点;
目标停留点确定单元,用于若所述历史轨迹点对应的权重值不小于预设权重值阈值,则将该历史轨迹点确定为目标停留点,并将该历史轨迹点对应的权重值作为该目标停留点对应的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426029.9A CN110210604B (zh) | 2019-05-21 | 2019-05-21 | 一种终端设备移动轨迹预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426029.9A CN110210604B (zh) | 2019-05-21 | 2019-05-21 | 一种终端设备移动轨迹预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210604A CN110210604A (zh) | 2019-09-06 |
CN110210604B true CN110210604B (zh) | 2021-06-04 |
Family
ID=67788042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910426029.9A Active CN110210604B (zh) | 2019-05-21 | 2019-05-21 | 一种终端设备移动轨迹预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210604B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021051329A1 (en) * | 2019-09-19 | 2021-03-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival in online to offline services |
CN110929841B (zh) * | 2019-10-11 | 2023-04-18 | 浙江大学城市学院 | 基于增强意图的循环神经网络模型预测行人轨迹的方法 |
CN112884190B (zh) * | 2019-11-29 | 2023-11-03 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法及装置 |
CN110991751B (zh) * | 2019-12-06 | 2024-06-25 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
CN113139137B (zh) * | 2020-01-19 | 2022-05-03 | 北京三快在线科技有限公司 | 确定poi坐标的方法、装置、存储介质及电子设备 |
CN111831765B (zh) * | 2020-03-10 | 2024-05-31 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN113497717B (zh) * | 2020-03-19 | 2023-03-31 | 中国移动通信有限公司研究院 | 网络流量的预测方法、装置、设备及存储介质 |
CN111488984B (zh) * | 2020-04-03 | 2023-07-21 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN113554678B (zh) * | 2020-04-24 | 2023-09-12 | 杭州海康威视数字技术股份有限公司 | 一种运动目标徘徊行为检测的方法、装置及存储介质 |
CN111553732B (zh) * | 2020-04-24 | 2024-02-23 | 北京爱笔科技有限公司 | 移动轨迹的处理方法和装置 |
CN111563489A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机存储介质 |
CN111984880B (zh) * | 2020-08-20 | 2024-07-19 | 北京嘀嘀无限科技发展有限公司 | 一种历史订单中真实上车点挖掘的方法和系统 |
CN112529284A (zh) * | 2020-12-08 | 2021-03-19 | 湖南大学 | 基于神经网络的私家车停留时间预测方法、设备及介质 |
CN113342905B (zh) * | 2021-06-07 | 2022-10-25 | 北京邮电大学 | 一种停留点确定方法及装置 |
CN114383617B (zh) * | 2021-12-29 | 2024-07-09 | 深圳市跨越新科技有限公司 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
CN116186549B (zh) * | 2023-05-04 | 2023-08-08 | 深圳前海中电慧安科技有限公司 | 模型的训练方法、装置、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN106464706A (zh) * | 2014-04-18 | 2017-02-22 | 意大利电信股份公司 | 用于通过可从电信网络获得的数据识别显著地点的方法和系统 |
CN107016126A (zh) * | 2017-05-12 | 2017-08-04 | 西南交通大学 | 一种基于序列模式挖掘的多用户模型移动轨迹预测方法 |
CN108108808A (zh) * | 2018-01-08 | 2018-06-01 | 北京邮电大学 | 一种基于深度信念网络的位置预测方法及装置 |
CN108256914A (zh) * | 2018-01-17 | 2018-07-06 | 华东师范大学 | 一种基于张量分解模型的兴趣点种类预测方法 |
CN108780522A (zh) * | 2016-03-11 | 2018-11-09 | 高通股份有限公司 | 用于视频理解的使用基于运动的注意力的递归网络 |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491522A (zh) * | 2015-12-02 | 2016-04-13 | 北京泰合佳通信息技术有限公司 | 一种基于移动管道数据的用户移动轨迹定位方法 |
CN105594235B (zh) * | 2016-01-04 | 2019-03-26 | 薛俊华 | 基于地理位置的导航广告推送系统 |
CN107133269B (zh) * | 2017-04-01 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
-
2019
- 2019-05-21 CN CN201910426029.9A patent/CN110210604B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106464706A (zh) * | 2014-04-18 | 2017-02-22 | 意大利电信股份公司 | 用于通过可从电信网络获得的数据识别显著地点的方法和系统 |
CN108780522A (zh) * | 2016-03-11 | 2018-11-09 | 高通股份有限公司 | 用于视频理解的使用基于运动的注意力的递归网络 |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
CN107016126A (zh) * | 2017-05-12 | 2017-08-04 | 西南交通大学 | 一种基于序列模式挖掘的多用户模型移动轨迹预测方法 |
CN108108808A (zh) * | 2018-01-08 | 2018-06-01 | 北京邮电大学 | 一种基于深度信念网络的位置预测方法及装置 |
CN108256914A (zh) * | 2018-01-17 | 2018-07-06 | 华东师范大学 | 一种基于张量分解模型的兴趣点种类预测方法 |
Non-Patent Citations (4)
Title |
---|
A Neural Network Approach to Joint Modeling Social Networks and Mobile Trajectories;Cheng Yang et al.;《arXiv:1606.08154v2》;20170728;第1-28页 * |
基于循环神经网络的轨迹位置预测技术研究;李幸超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715(第07期);论文摘要、第7-57页 * |
基于手机信令数据的数据清洗挖掘与居民职住空间分析;苗壮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第07期);论文第46-47页 * |
基于移动通信定位数据的道路映射和分析应用研究;韩伯达;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181015(第10期);论文第12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210604A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210604B (zh) | 一种终端设备移动轨迹预测方法及装置 | |
US11305780B2 (en) | Road condition status prediction method, device, and server, and storage medium | |
CN113342905B (zh) | 一种停留点确定方法及装置 | |
CN111612249B (zh) | 用于预测人流量的方法、装置、设备以及存储介质 | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
CN111737377B (zh) | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 | |
US20130304363A1 (en) | Identifying purpose-based origin-destination using call detailed records | |
CN106919957A (zh) | 处理数据的方法及装置 | |
CN113159457A (zh) | 一种智能路径规划的方法、系统及电子设备 | |
CN111444302A (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
CN111667689A (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN111835536B (zh) | 一种流量预测方法和装置 | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
US10467888B2 (en) | System and method for dynamically adjusting an emergency coordination simulation system | |
JP5422436B2 (ja) | 滞在場所推定装置、方法及びプログラム | |
CN109446437B (zh) | 信息挖掘方法、装置、服务器及存储介质 | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN112685531B (zh) | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN111767357B (zh) | 区域采全评估方法和设备、电子设备和存储介质 | |
CN114298421A (zh) | 用户的兴趣点预测模型的建模、使用方法及相关设备 | |
US20220413834A1 (en) | Software placement system, software placement device, software placement method, base computer and program | |
CN113518328A (zh) | 一种网络接入设备的识别方法、定位方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |