CN110321343B - 一种可穿戴设备轨迹预测方法、装置和系统 - Google Patents
一种可穿戴设备轨迹预测方法、装置和系统 Download PDFInfo
- Publication number
- CN110321343B CN110321343B CN201910624620.5A CN201910624620A CN110321343B CN 110321343 B CN110321343 B CN 110321343B CN 201910624620 A CN201910624620 A CN 201910624620A CN 110321343 B CN110321343 B CN 110321343B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- track data
- prediction model
- wearable equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/34—Power consumption
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种可穿戴设备轨迹预测方法、装置和系统,可穿戴设备在工作模式和待机模式之间切换,在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据。云端获取到可穿戴设备传输的多段轨迹数据之后,利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将空缺轨迹数据与多段轨迹数据进行拟合,得到完整轨迹数据,并将完整轨迹数据传输给可穿戴设备。通过轨迹预测模型预测得到相邻的两个轨迹数据之间的空缺轨迹数,即使在定位盲区也可以获得可穿戴设备准确连续的定位数据,满足用户的轨迹记录需求。可穿戴设备通过在工作模式和待机模式之间切换,延长了续航时间。
Description
技术领域
本发明涉及设备定位技术领域,特别是涉及一种可穿戴设备轨迹预测方法、装置和系统。
背景技术
随着科技的不断发展,可穿戴设备也在高速的发展,微型化和智能化已成为其演变的主流趋势。可穿戴设备具有智能化程度高和使用便捷的特点,对人们的生活和感知带来很大的转变。而可穿戴设备的轨迹记录的准确性和稳定性,则是对用户体验影响很大的一个重要功能。
在现有技术中,一般通过全球卫星定位系统(Global Positioning System,GPS)和中国北斗卫星导航系统(BeiDou Navigation Satellite System,BDS),对可穿戴设备进行双模定位,以获取定位信息,进而确定运动轨迹。基于这种双模卫星定位技术,在大部分区域可以较为准确地确定运动轨迹,但当存在定位盲区时,定位信息获取存在缺陷,导致运动轨迹记录效果较差。
可见,如何在定位盲区获得可穿戴设备准确连续的定位数据,是本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种可穿戴设备轨迹预测方法、装置和系统,可以在定位盲区获得可穿戴设备准确连续的定位数据。
为解决上述技术问题,本发明实施例提供一种可穿戴设备轨迹预测方法,包括:
获取可穿戴设备传输的多段轨迹数据;
利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;
将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备。
可选的,所述基于深度学习的轨迹预测模型的训练过程包括:
对获取的历史轨迹数据进行预处理,得到样本轨迹数据;
利用双向循环神经网络构建初始轨迹预测模型;
基于L2正则和dropout规则,采用所述样本轨迹数据对所述初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型。
可选的,所述对获取的历史轨迹数据进行预处理,得到样本轨迹数据包括:
获取可穿戴设备的历史轨迹数据;
对所述历史轨迹数据进行清洗,得到初始轨迹训练数据;
利用基于密度的轨迹聚类算法,将所述初始轨迹训练数据进行聚类,得到样本轨迹数据。
可选的,对所述历史轨迹数据进行清洗,得到初始轨迹训练数据包括:
根据各历史轨迹数据的特征变化,删除无效数据和异常数据;
利用线性插值法对所述历史轨迹数据的缺失数据进行填补。
本发明实施例还提供了一种可穿戴设备轨迹预测装置,包括获取单元、确定单元和拟合单元;
所述获取单元,用于获取可穿戴设备传输的多段轨迹数据;
所述确定单元,用于利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;
所述拟合单元,用于将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备。
可选的,针对于所述基于深度学习的轨迹预测模型的训练过程,所述装置包括预处理单元、构建单元和训练单元;
所述预处理单元,用于对获取的历史轨迹数据进行预处理,得到样本轨迹数据;
所述构建单元,用于利用双向循环神经网络构建初始轨迹预测模型;
所述训练单元,用于基于L2正则和dropout规则,采用所述样本轨迹数据对所述初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型。
可选的,所述预处理单元包括获取子单元、清洗子单元和聚类子单元;
所述获取子单元,用于获取可穿戴设备的历史轨迹数据;
所述清洗子单元,用于对所述历史轨迹数据进行清洗,得到初始轨迹训练数据;
所述聚类子单元,用于利用基于密度的轨迹聚类算法,将所述初始轨迹训练数据进行聚类,得到样本轨迹数据。
可选的,所述清洗子单元具体用于根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对所述历史轨迹数据的缺失数据进行填补。
本发明实施例还提供了一种可穿戴设备轨迹预测方法,包括:
可穿戴设备在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据;其中,可穿戴设备开机启动时处于工作模式;当工作模式的运行时间达到第一预设时间时,所述可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,所述可穿戴设备切换为工作模式;
当轨迹数据的段数达到预设个数时,所述可穿戴设备将多段轨迹数据传输至云端,以便于接收所述云端反馈的完整轨迹数据。
可选的,所述定位数据包括经度、维度和时间戳。
本发明实施例还提供了一种可穿戴设备轨迹预测系统,包括云端和可穿戴设备;
所述云端,用于获取可穿戴设备传输的多段轨迹数据;利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备;
所述可穿戴设备,用于在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据;其中,可穿戴设备开机启动时处于工作模式;当工作模式的运行时间达到第一预设时间时,所述可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,所述可穿戴设备切换为工作模式;当轨迹数据的段数达到预设个数时,将多段轨迹数据传输至云端,以便于接收所述云端反馈的完整轨迹数据。
由上述技术方案可以看出,可穿戴设备在工作模式和待机模式之间切换,在工作模式下可穿戴设备按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据。当轨迹数据的段数达到预设个数时,可穿戴设备将多段轨迹数据传输至云端。云端获取到可穿戴设备传输的多段轨迹数据之后,利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给可穿戴设备。在该技术方案中,通过深度学习算法来建立基于深度学习的轨迹预测模型,从而预测得到相邻的两个轨迹数据之间的空缺轨迹数,即使在定位盲区也可以获得可穿戴设备准确连续的定位数据,满足用户的轨迹记录需求。可穿戴设备通过在工作模式和待机模式之间切换,可以降低芯片的功耗,从而延长可穿戴设备的续航时间。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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可穿戴设备轨迹预测方法的信令流程图;
图2为本发明实施例提供的一种以轨迹数据一和轨迹数据二为例的轨迹预测示意图;
图3为本发明实施例提供的一种可穿戴设备轨迹预测装置的结构示意图;
图4为本发明实施例提供的一种可穿戴设备轨迹预测系统的结构示意图。
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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种可穿戴设备轨迹预测方法。图1为本发明实施例提供的一种可穿戴设备轨迹预测方法的信令流程图,该方法包括:
S101:可穿戴设备在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据。
可穿戴设备通过其上设置的卫星定位芯片可以获取到定位数据。卫星定位芯片长时间处于开启状态时,消耗的电量较大,导致可穿戴设备的续航时间较短。在本发明实施例中,为了降低可穿戴设备中卫星定位芯片的功耗,可以将可穿戴设备设置工作模式和待机模式。
待机模式下卫星定位芯片不工作,从而降低可穿戴设备的功耗。工作模式下卫星定位芯片可以按照预设的时间间隔周期性获取定位数据。其中,定位数据可以包括经度、维度和时间戳。
在实际应用中,可以默认可穿戴设备开机启动时处于工作模式。当工作模式的运行时间达到第一预设时间时,可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,可穿戴设备切换为工作模式。
其中,第二预设时间的取值可以大于第一预设时间的取值。
举例说明,第一预设时间设置为40秒,第二预设时间设置为120秒,时间间隔设置为10秒。当用户开始运动时,卫星定位芯片开启工作模式,此时,卫星定位芯片每10秒获取一次定位数据,经过40秒之后,共可获取到5个定位数据。这5个定位数据为预测轨迹的前一段轨迹,可记为轨迹数据一。在工作模式下,卫星定位芯片处于工作状态,通过卫星定位芯片可获取预测准确的定位数据,为后续预测提供良好的条件。
计时时间40秒后,卫星定位芯片开启待机模式,待机时间120秒。在待机模式下,卫星定位芯片处于低功耗状态。计时时间120秒后,卫星定位芯片重新开启工作模式,每10秒获取一次定位数据,经过40秒之后,共获取5个定位数据,这5个定位数据为预测轨迹的后一段轨迹,可记为轨迹数据二。
S102:当轨迹数据的段数达到预设个数时,可穿戴设备将多段轨迹数据传输至云端。
可穿戴设备向云端传输轨迹数据时需要占用带宽资源,为了降低可穿戴设备频繁地向云端传输轨迹数据。在本发明实施例中,可穿戴设置可以将获取的轨迹数据进行缓存,当轨迹数据的段数达到预设个数时,再将缓存的多段轨迹数据一并传输至云端。其中,预设个数的取值可以根据实际需求设定,例如,预设个数可以设置为6。
S103:云端获取可穿戴设备传输的多段轨迹数据。
S104:云端利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据。
云端接收到可传输设备上传的多段轨迹数据之后,可以将相邻的两个轨迹数据作为一组轨迹数据输入至轨迹预测模型,从而得到这两个轨迹数据之间的空缺轨迹数据。
如图2所示为以轨迹数据一和轨迹数据二为例的轨迹预测示意图,轨迹数据一为可穿戴设备处于工作模式时获取的一段轨迹数据,该段轨迹数据包含有5个定位数据。轨迹数据二为可穿戴设备下一次处于工作模式时获取的一段轨迹数据,该段轨迹数据包含有5个定位数据。在第5个数据和第6个数据之间可穿戴设备处于待机模式,导致轨迹数据出现了空缺。在本发明实施例中,云端利用轨迹预测模型,可以预测得到第5个数据和第6个数据之间出现空缺的空缺轨迹数据。
依次类推,可以由轨迹数据二与轨迹数据三,来预测两者之间的空缺轨迹数据,直至可穿戴设备停止运动。
S105:云端将空缺轨迹数据与多段轨迹数据进行拟合,得到可穿戴设备的完整轨迹数据,并将完整轨迹数据传输给可穿戴设备。S106:可穿戴设备接收云端反馈的完整轨迹数据。
以轨迹数据一和轨迹数据二为例,将采集到的轨迹数据一和轨迹数据二上传至云端,并使用已训练好的轨迹预测模型来预测轨迹数据一和轨迹数据二之间的空缺轨迹数据,然后将推测出的空缺轨迹数据和已知轨迹数据(轨迹数据一和轨迹数据二)进行拟合,形成完整的轨迹数据,再回传至可穿戴设备,完成轨迹预测。
在本发明实施例中,基于深度学习的轨迹预测模型是实现可穿戴设备轨迹预测的关键,接下来将对基于深度学习的轨迹预测模型的训练过程展开介绍。
模型的训练需要依赖于样本数据。在本发明实施例中,可以对获取的历史轨迹数据进行预处理,得到样本轨迹数据。
预处理主要用于删除不具有分析价值的轨迹数据。
在实际应用中,预处理可以包括对历史轨迹数据进行清洗,得到初始轨迹训练数据;利用基于密度的轨迹聚类算法,将初始轨迹训练数据进行聚类,得到样本轨迹数据。
大量用户的可穿戴设备所产生历史轨迹数据是非常多的,其中存在一些相似的轨迹数据,利用基于密度的轨迹聚类算法,可以将这些在地理空间相近的轨迹聚成一条具有代表性的平均轨迹。
轨迹数据的清洗主要用于删除无效数据和异常数据,并且对缺失的数据进行补充。
具体的,可以根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对历史轨迹数据的缺失数据进行填补。
考虑到历史轨迹数据中会存在某些特征可能没有明显的变化,但却占用了大量的空间的无效数据。此时,应当删除这类对预测模型几乎没有影响的无效数据。在此基础上,还可以对历史轨迹数据进行数据异常值检测,删除异常值。最后查找缺失数据,利用线性插值法来填补缺失数据。
深度学习算法的类型有多种,考虑到循环神经网络(Recurrent Neural Network,RNN)能访问输入数据过去的上下文信息,以及未来的上下文信息,并由此推断模型的当前输出,所以RNN在处理时序数据方面具有一定的优势。由于我们需要预测的当前轨迹与其前后的轨迹之间存在必然的联系,所以本发明实施例在RNN的基础上,使用双向循环神经网络(Bidirectional Recurrent Neural Network,BRNN)来关注其前后的轨迹,从而建立更加精准的轨迹预测模型。
在本发明实施例中利用双向循环神经网络构建初始轨迹预测模型即建立一个BRNN体系结构,一个RNN向前读取缺失轨迹的前一段轨迹数据,另一个RNN向后读取缺失轨迹的后一段轨迹数据,而且这两个RNN都连接着一个输出层,通过这种连接方式会捕获关于轨迹开始和结束的更多信息。在模型训练过程中,为了防止过拟合,提高模型的泛化能力,在本发明实施例中,可以基于L2正则和dropout规则,采用样本轨迹数据对初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型。
L2正则通过向目标函数添加一个正则项,正则项可以看成使目标函数的惩罚项,使权重更加接近原点。Dropout在训练过程中随机删除网络中的一些隐藏神经元,保持输入输出神经元不变,由此降低网络节点间的相互依赖性,从而实现BRNN的正则化,降低结构风险。
由上述技术方案可以看出,可穿戴设备在工作模式和待机模式之间切换,在工作模式下可穿戴设备按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据。当轨迹数据的段数达到预设个数时,可穿戴设备将多段轨迹数据传输至云端。云端获取到可穿戴设备传输的多段轨迹数据之后,利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给可穿戴设备。在该技术方案中,通过深度学习算法来建立基于深度学习的轨迹预测模型,从而预测得到相邻的两个轨迹数据之间的空缺轨迹数,即使在定位盲区也可以获得可穿戴设备准确连续的定位数据,满足用户的轨迹记录需求。可穿戴设备通过在工作模式和待机模式之间切换,可以降低芯片的功耗,从而延长可穿戴设备的续航时间。
图3为本发明实施例提供的一种可穿戴设备轨迹预测装置的结构示意图,包括获取单元31、确定单元32和拟合单元33;
获取单元31,用于获取可穿戴设备传输的多段轨迹数据;
确定单元32,用于利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;
拟合单元33,用于将空缺轨迹数据与多段轨迹数据进行拟合,得到可穿戴设备的完整轨迹数据,并将完整轨迹数据传输给可穿戴设备。
可选的,针对于基于深度学习的轨迹预测模型的训练过程,装置包括预处理单元、构建单元和训练单元;
预处理单元,用于对获取的历史轨迹数据进行预处理,得到样本轨迹数据;
构建单元,用于利用双向循环神经网络构建初始轨迹预测模型;
训练单元,用于基于L2正则和dropout规则,采用样本轨迹数据对初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型。
可选的,预处理单元包括获取子单元、清洗子单元和聚类子单元;
获取子单元,用于获取可穿戴设备的历史轨迹数据;
清洗子单元,用于对历史轨迹数据进行清洗,得到初始轨迹训练数据;
聚类子单元,用于利用基于密度的轨迹聚类算法,将初始轨迹训练数据进行聚类,得到样本轨迹数据。
可选的,清洗子单元具体用于根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对历史轨迹数据的缺失数据进行填补。
图3所对应实施例中特征的说明可以参见图1所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,云端的获取单元,用于获取可穿戴设备传输的多段轨迹数据,确定单元利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;拟合单元将空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给可穿戴设备。在该技术方案中,通过深度学习算法来建立基于深度学习的轨迹预测模型,从而预测得到相邻的两个轨迹数据之间的空缺轨迹数,即使在定位盲区也可以获得可穿戴设备准确连续的定位数据,满足用户的轨迹记录需求。
图4为本发明实施例提供的一种可穿戴设备轨迹预测系统40的结构示意图,包括云端41和可穿戴设备42;
云端41,用于获取可穿戴设备42传输的多段轨迹数据;利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将空缺轨迹数据与多段轨迹数据进行拟合,得到可穿戴设备的完整轨迹数据,并将完整轨迹数据传输给可穿戴设备42;
可穿戴设备42,用于在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据;其中,可穿戴设备开机启动时处于工作模式;当工作模式的运行时间达到第一预设时间时,可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,可穿戴设备切换为工作模式;当轨迹数据的段数达到预设个数时,将多段轨迹数据传输至云端41,以便于接收云端41反馈的完整轨迹数据。
以上对本发明实施例所提供的一种可穿戴设备轨迹预测方法、装置和系统进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (5)
1.一种可穿戴设备轨迹预测方法,其特征在于,包括:
获取可穿戴设备传输的多段轨迹数据;
利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;
将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备;
所述基于深度学习的轨迹预测模型的训练过程包括:
对获取的历史轨迹数据进行预处理,得到样本轨迹数据;
利用双向循环神经网络构建初始轨迹预测模型;
基于L2正则和dropout规则,采用所述样本轨迹数据对所述初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型;
所述对获取的历史轨迹数据进行预处理,得到样本轨迹数据包括:
获取可穿戴设备的历史轨迹数据;
根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对所述历史轨迹数据的缺失数据进行填补,得到初始轨迹训练数据;
利用基于密度的轨迹聚类算法,将所述初始轨迹训练数据进行聚类,得到样本轨迹数据。
2.一种可穿戴设备轨迹预测装置,其特征在于,包括获取单元、确定单元和拟合单元;
所述获取单元,用于获取可穿戴设备传输的多段轨迹数据;
所述确定单元,用于利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;
所述拟合单元,用于将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备;
针对于所述基于深度学习的轨迹预测模型的训练过程,所述装置包括预处理单元、构建单元和训练单元;
所述预处理单元,用于对获取的历史轨迹数据进行预处理,得到样本轨迹数据;
所述构建单元,用于利用双向循环神经网络构建初始轨迹预测模型;
所述训练单元,用于基于L2正则和dropout规则,采用所述样本轨迹数据对所述初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型;
所述预处理单元包括获取子单元、清洗子单元和聚类子单元;
所述获取子单元,用于获取可穿戴设备的历史轨迹数据;
所述清洗子单元,用于根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对所述历史轨迹数据的缺失数据进行填补,得到初始轨迹训练数据;
所述聚类子单元,用于利用基于密度的轨迹聚类算法,将所述初始轨迹训练数据进行聚类,得到样本轨迹数据。
3.一种可穿戴设备轨迹预测方法,其特征在于,包括:
可穿戴设备在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据;其中,可穿戴设备开机启动时处于工作模式;当工作模式的运行时间达到第一预设时间时,所述可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,所述可穿戴设备切换为工作模式;
当轨迹数据的段数达到预设个数时,所述可穿戴设备将多段轨迹数据传输至云端,以便于接收所述云端反馈的完整轨迹数据;
完整轨迹数据包括利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将空缺轨迹数据与多段轨迹数据进行拟合,得到可穿戴设备的完整轨迹数据;
基于深度学习的轨迹预测模型的训练过程包括:对获取的历史轨迹数据进行预处理,得到样本轨迹数据;利用双向循环神经网络构建初始轨迹预测模型;基于L2正则和dropout规则,采用样本轨迹数据对初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型;对获取的历史轨迹数据进行预处理,得到样本轨迹数据包括:根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对历史轨迹数据的缺失数据进行填补,得到初始轨迹训练数据;利用基于密度的轨迹聚类算法,将初始轨迹训练数据进行聚类,得到样本轨迹数据。
4.根据权利要求3所述的方法,其特征在于,所述定位数据包括经度、维度和时间戳。
5.一种可穿戴设备轨迹预测系统,其特征在于,包括云端和可穿戴设备;
所述云端,用于获取可穿戴设备传输的多段轨迹数据;利用预先训练好的基于深度学习的轨迹预测模型,确定出相邻两个轨迹数据之间的空缺轨迹数据;将所述空缺轨迹数据与所述多段轨迹数据进行拟合,得到所述可穿戴设备的完整轨迹数据,并将所述完整轨迹数据传输给所述可穿戴设备;基于深度学习的轨迹预测模型的训练过程包括:对获取的历史轨迹数据进行预处理,得到样本轨迹数据;利用双向循环神经网络构建初始轨迹预测模型;基于L2正则和dropout规则,采用样本轨迹数据对初始轨迹预测模型进行训练,得到基于深度学习的轨迹预测模型;对获取的历史轨迹数据进行预处理,得到样本轨迹数据包括:根据各历史轨迹数据的特征变化,删除无效数据和异常数据;利用线性插值法对历史轨迹数据的缺失数据进行填补,得到初始轨迹训练数据;利用基于密度的轨迹聚类算法,将初始轨迹训练数据进行聚类,得到样本轨迹数据;
所述可穿戴设备,用于在工作模式下按照预设时间间隔周期性获取定位数据,将各定位数据作为一段轨迹数据;其中,可穿戴设备开机启动时处于工作模式;当工作模式的运行时间达到第一预设时间时,所述可穿戴设备切换为待机模式;当待机时间达到第二预设时间时,所述可穿戴设备切换为工作模式;当轨迹数据的段数达到预设个数时,将多段轨迹数据传输至云端,以便于接收所述云端反馈的完整轨迹数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624620.5A CN110321343B (zh) | 2019-07-11 | 2019-07-11 | 一种可穿戴设备轨迹预测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624620.5A CN110321343B (zh) | 2019-07-11 | 2019-07-11 | 一种可穿戴设备轨迹预测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321343A CN110321343A (zh) | 2019-10-11 |
CN110321343B true CN110321343B (zh) | 2023-11-14 |
Family
ID=68123307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624620.5A Active CN110321343B (zh) | 2019-07-11 | 2019-07-11 | 一种可穿戴设备轨迹预测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929715A (zh) * | 2020-06-28 | 2020-11-13 | 杭州云起智慧校园科技有限公司 | 一种用于校徽的定位方法、装置、设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794213A (zh) * | 2015-04-27 | 2015-07-22 | 清华大学 | 基于飞行计划与导航数据库的航迹预测方法 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习系统 |
CN107566988A (zh) * | 2016-10-31 | 2018-01-09 | 郑州蓝视科技有限公司 | 一种防走失定位监控方法 |
CN107976193A (zh) * | 2017-11-21 | 2018-05-01 | 出门问问信息科技有限公司 | 一种行人航迹推断方法、装置、航迹推断设备及存储介质 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108563755A (zh) * | 2018-04-16 | 2018-09-21 | 辽宁工程技术大学 | 一种基于双向循环神经网络的个性化推荐系统及方法 |
CN109186607A (zh) * | 2018-09-13 | 2019-01-11 | 中通国脉物联科技南京有限公司 | 一种车辆行驶轨迹点预测的方法 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN109923557A (zh) * | 2016-11-03 | 2019-06-21 | 易享信息技术有限公司 | 使用连续正则化训练联合多任务神经网络模型 |
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN109991641A (zh) * | 2019-04-10 | 2019-07-09 | 广东工业大学 | 一种移动设备位置信息的获取方法、装置及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495759B2 (en) * | 2014-02-26 | 2016-11-15 | Apeiros, Llc | Mobile, wearable, automated target tracking system |
US10136265B2 (en) * | 2016-09-12 | 2018-11-20 | International Business Machines Corporation | Trace/trajectory reconstruction via wearable and/or mobile sensors for indoor/outdoor location |
US10739775B2 (en) * | 2017-10-28 | 2020-08-11 | Tusimple, Inc. | System and method for real world autonomous vehicle trajectory simulation |
-
2019
- 2019-07-11 CN CN201910624620.5A patent/CN110321343B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794213A (zh) * | 2015-04-27 | 2015-07-22 | 清华大学 | 基于飞行计划与导航数据库的航迹预测方法 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
CN107566988A (zh) * | 2016-10-31 | 2018-01-09 | 郑州蓝视科技有限公司 | 一种防走失定位监控方法 |
CN109923557A (zh) * | 2016-11-03 | 2019-06-21 | 易享信息技术有限公司 | 使用连续正则化训练联合多任务神经网络模型 |
CN106568445A (zh) * | 2016-11-11 | 2017-04-19 | 吉林大学 | 基于双向循环神经网络的室内轨迹预测方法 |
CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习系统 |
CN107976193A (zh) * | 2017-11-21 | 2018-05-01 | 出门问问信息科技有限公司 | 一种行人航迹推断方法、装置、航迹推断设备及存储介质 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108563755A (zh) * | 2018-04-16 | 2018-09-21 | 辽宁工程技术大学 | 一种基于双向循环神经网络的个性化推荐系统及方法 |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN109186607A (zh) * | 2018-09-13 | 2019-01-11 | 中通国脉物联科技南京有限公司 | 一种车辆行驶轨迹点预测的方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN109991641A (zh) * | 2019-04-10 | 2019-07-09 | 广东工业大学 | 一种移动设备位置信息的获取方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
Temporally Constrained Sparse Group Spatial Patterns for Motor Imagery BCI;Guoxu Zhou et. al;《IEEE TRANSACTIONS ON CYBERNETICS》;20180614;第49卷(第9期);3322-3332 * |
基于栅格模型的机器人路径规划快速算法;周郭许等;计算机工程与应用;第197-199页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110321343A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kjærgaard et al. | Energy-efficient trajectory tracking for mobile devices | |
Xu et al. | Approximate query service on autonomous iot cameras | |
CN106657581B (zh) | 电子书的阅读计划推荐系统及其方法 | |
CN113169886A (zh) | 通信网络优化 | |
CN109873726B (zh) | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 | |
US20120065871A1 (en) | System and method for providing road condition and congestion monitoring | |
CN103747523A (zh) | 一种基于无线网络的用户位置预测系统和方法 | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
US20160057561A1 (en) | Data collection and management system, data collection and management method, terminal, and management apparatus | |
US20170208021A1 (en) | Adaptive nudge messages to motivate individuals to achieve certain wellness goals | |
CN113242469A (zh) | 一种自适应视频传输配置方法和系统 | |
CN112383823B (zh) | 码率自适应方法、装置、电子设备及存储介质 | |
CN103731916A (zh) | 一种基于无线网络的用户位置预测系统和方法 | |
CN110321343B (zh) | 一种可穿戴设备轨迹预测方法、装置和系统 | |
US11521237B2 (en) | Method and system for determining fact of visit of user to point of interest | |
CN114637911B (zh) | 一种注意力融合感知网络的下一个兴趣点推荐方法 | |
CN112425122A (zh) | 检测警报的通信网络洞察力 | |
Khan et al. | A novel localization and coverage framework for real-time participatory urban monitoring | |
US11782496B2 (en) | Smart context subsampling on-device system | |
AU2017340523B2 (en) | System and method for compressing high fidelity motion data for transmission over a limited bandwidth network | |
FR3068163A1 (fr) | Procede et systeme de collecte de donnees fournies par des capteurs | |
CN113422978A (zh) | 休眠预警模型的训练方法和装置及休眠预警方法和装置 | |
KR102278104B1 (ko) | 운동 추천 시스템 | |
US20180001140A1 (en) | Exercise schedule optimizer system | |
CN110473309A (zh) | 一种地铁能源表计数据处理方法及装置 |
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 |