CN111339449A - 一种用户运动轨迹的预测方法、装置、设备及存储介质 - Google Patents

一种用户运动轨迹的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111339449A
CN111339449A CN202010213218.0A CN202010213218A CN111339449A CN 111339449 A CN111339449 A CN 111339449A CN 202010213218 A CN202010213218 A CN 202010213218A CN 111339449 A CN111339449 A CN 111339449A
Authority
CN
China
Prior art keywords
track
user
target
neural network
sample
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.)
Pending
Application number
CN202010213218.0A
Other languages
English (en)
Inventor
李建波
姜山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University
Original Assignee
Qingdao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University filed Critical Qingdao University
Priority to CN202010213218.0A priority Critical patent/CN111339449A/zh
Publication of CN111339449A publication Critical patent/CN111339449A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种用户运动轨迹的预测方法，包括：利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。相较于现有技术，本方法在利用循环神经网络模块获取用户轨迹的时间依赖关系的同时，进一步利用目标轨迹预测模型中的图卷积网络模块获取用户轨迹的空间依赖关系，因此能够利用更多的信息来预测目标用户的运动轨迹，因此能够提高预测目标用户的运动轨迹的准确度。本申请还公开了一种用户运动轨迹的预测装置、设备及计算机可读存储介质，均具有上述有益效果。

Description

一种用户运动轨迹的预测方法、装置、设备及存储介质
技术领域
本发明涉及轨迹预测领域，特别涉及一种用户运动轨迹的预测方法、装置、设备及计算机可读存储介质。
背景技术
随着信息技术的快速发展，基于用户位置的应用服务越来越广泛，如记录用户的步行步数，跑步距离和地理位置等；并且，用户运动轨迹的预测问题，在人工智能领域受到越来越多的关注。
目前，通过对用户的运动轨迹进行分析可知，用户运动轨迹的地点间的关系往往不是简单的马尔科夫性质和周期性等关系，它们之间是各种复杂的非线性关系。因此为了对用户运动轨迹进行预测，现有技术利用设置有循环神经网络模块的深度神经网络进行学习训练，得出目标轨迹预测模型，然后利用目标轨迹预测模型对目标用户的运动轨迹进行预测。但是，由于循环神经网络模块只能获取用户轨迹的时间依赖关系，使得对目标用户的运动轨迹的预测不够准确。
因此，如何提高预测目标用户的运动轨迹的准确度，是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种用户运动轨迹的预测方法，能够提高预测目标用户的运动轨迹的准确度；本发明的另一目的是提供一种提高预测目标用户的运动轨迹的准确度装置、设备及计算机可读存储介质，均具有上述有益效果。
为解决上述技术问题，本发明提供一种用户运动轨迹的预测方法，包括：
利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；
将目标用户的轨迹地点集合输入至所述目标轨迹预测模型中，得出所述目标用户的预测运动轨迹。
优选地，所述循环神经网络模块具体为编码器-解码器模块。
优选地，所述利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型的过程，具体包括：
分别将各样本用户的样本轨迹地点集合按照预设时间间隔划分出对应的样本子轨迹序列；
利用各所述样本子轨迹序列确定出各所述样本用户的历史轨迹和当前轨迹的样本对；
将所述样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型。
优选地，在所述利用各所述样本子轨迹序列确定出各所述样本用户的历史轨迹和当前轨迹的样本对之后，进一步包括：
利用嵌入式技术编码对各所述样本对进行编码，得到编码样本对；
对应的，所述将所述样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型的过程，具体包括：
将所述编码样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型。
优选地，进一步包括：
在预设地图上标记出与所述预测运动轨迹对应的目标地址。
为解决上述技术问题，本发明还提供一种用户运动轨迹的预测装置，包括：
训练模块，用于利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；
预测模块，用于将目标用户的轨迹地点集合输入至所述目标轨迹预测模型中，得出所述目标用户的预测运动轨迹。
为解决上述技术问题，本发明还提供一种用户运动轨迹的预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一种用户运动轨迹的预测方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种用户运动轨迹的预测方法的步骤。
本发明提供的一种用户运动轨迹的预测方法，通过利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；然后将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。可见，相较于现有技术，本方法在利用循环神经网络模块获取用户轨迹的时间依赖关系的同时，进一步利用目标轨迹预测模型中的图卷积网络模块获取用户轨迹的空间依赖关系，因此能够利用更多的信息来预测目标用户的运动轨迹，因此能够提高预测目标用户的运动轨迹的准确度。
为解决上述技术问题，本发明还提供了一种用户运动轨迹的预测装置、设备及计算机可读存储介质，均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种用户运动轨迹的预测方法的流程图；
图2为本发明实施例提供的一种目标轨迹预测模型的结构示意图；
图3为本发明实施例提供的一种图卷积网络模块的操作原理示意图
图4为本发明实施例提供的一种用户运动轨迹的预测装置的结构图；
图5为本发明实施例提供的一种用户运动轨迹的预测设备的结构图。
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。
本发明实施例的核心是提供一种用户运动轨迹的预测方法，能够提高预测目标用户的运动轨迹的准确度；本发明的另一核心是提供一种用户运动轨迹的预测装置、设备及计算机可读存储介质，均具有上述有益效果。
为了使本领域技术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。
图1为本发明实施例提供的一种用户运动轨迹的预测方法的流程图。如图1所示，一种用户运动轨迹的预测方法包括：
S10：利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型。
在实际操作中，首先需要训练出用于用户轨迹预测的目标轨迹预测模型。具体的，在现有技术中的设置有循环神经网络模块的深度神经网络的基础上进行改造，增加设置图卷积网络模块；然后将预先设置的样本用户的样本轨迹地点集合输入至改造后的深度神经网络中进行学习训练，得出目标轨迹预测模型。可以理解的是，在深度学习过程中，用于学习训练的样本轨迹地点集合越多，深度神经网络能够学习到的特征知识越多，训练得出的目标轨迹预测模型的鲁棒性越强，预测结果越准确。可以理解的是，循环神经网络模块能够挖掘获取用户轨迹的时间依赖关系；图卷积网络模块能够挖掘获取用户轨迹的空间依赖关系。
需要说明的是，在实际操作中，一般是在得出样本训练集时，将样本训练集划分为训练集和测试集，具体可以是将样本集总量的80％作为训练集，剩余的20％作为测试集，利用训练集一轮一轮的迭代学习模型参数，每轮学习训练的过程都利用测试集辅助测试模型的拟合能力，学习训练得出目标轨迹预测模型，并且使得出预测准确度达到预设要求的目标轨迹预测模型。
S20：将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。
具体的，在需要对目标用户的运动轨迹进行预测时，首先获取目标用户的轨迹地点集合，并将该轨迹地点集合输入至预先训练出的目标轨迹预测模型中，目标轨迹预测模型利用预先训练得出的特征知识，确定出目标用户下一时刻可能所在的地点，即确定出目标用户的预测运动轨迹，从而实现对目标用户的运动估计进行预测。
需要说明的是，在实际操作中，在训练出目标预测模型后，在后续需要预测用户运动轨迹时，只需要将需要进行预测的目标用户的轨迹地点集合输入至该目标轨迹预测模型中即可。
本发明实施例提供的一种用户运动轨迹的预测方法，通过利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；然后将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。可见，相较于现有技术，本方法在利用循环神经网络模块获取用户轨迹的时间依赖关系的同时，进一步利用目标轨迹预测模型中的图卷积网络模块获取用户轨迹的空间依赖关系，因此能够利用更多的信息来预测目标用户的运动轨迹，因此能够提高预测目标用户的运动轨迹的准确度。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化。具体的，在本实施例中，利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型的过程，具体包括：
分别将各样本用户的样本轨迹地点集合按照预设时间间隔划分出对应的样本子轨迹序列；
利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对；
将样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型。
首先将样本用户的样本轨迹地点集合中的各地点按照时间顺序排列，然后按照预设时间间隔划分出对应的样本子轨迹序列；再利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对；其中，样本子轨迹序列是通过将各样本用户的按照时间顺序排列的样本轨迹地点集合按照预设时间间隔划分得出，本实施例对预设时间间隔的长度不做限定，例如本实施例中是以5天为预设时间周期对各样本用户的样本轨迹地点集合进行划分。在本实施例中，利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对；具体如假设用户u1的轨迹序列为S1,S2,S3,...,Sn，那么按照本实施例的方法，得出的样本对为：
S1～S2,(S1+S2)～S3,(S1+S2+S3)～S4,(S1+S2+S3+...+Sn-1)～Sn；其中，每个样本对中左半部分表示历史轨迹，右半部分表示当前轨迹；再将样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型。
结合图2所示的本发明实施例提供的一种目标轨迹预测模型的结构示意图，在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化。具体的，在本实施例中，循环神经网络模块具体为编码器-解码器模块。
具体的，本实施例中的循环神经网络模块具体为编码器-解码器模块(Seq2seq框架)。也就是说，在本实施例中，目标轨迹预测模型包括三个模块，分为编码器模块、解码器模块和图卷积网络模块。
其中，编码器模块由一层长短期循环神经网络搭建而成，其中神经元的个数根据实际需求进行设置，如图2中示例设置的是4个神经元(Long Short-Term Memory，长短期记忆网络，LSTM)，本实施例对神经元的个数不做限定。编码器模块对应产生两个张量，一个是隐藏状态向量，一个是文本Context；将隐藏状态向量输入至解码器模块中的神经元中。
在图卷积网络模块中，根据各样本用户的样本轨迹地点集合中的历史轨迹生成与各样本用户对应的地点图。具体的，地点图Gu由顶点Vu和边E组成，地点图中的顶点表示历史轨迹中的地点，地点图中边表示地点间的连接关系；根据地点图生成对应的邻接矩阵Au，邻接矩阵Au中只有0和1两个元素，其中，0代表两个地点没有连接，1代表两个地点之间有连接；利用邻接矩阵得出地点图的空间依赖关系，即得出样本用户的运动轨迹的空间依赖关系。如图3所示的一种图卷积网络模块的操作原理示意图，图卷积网络模块将确定出的地点图通过图卷积过程获得地点嵌入(Location Embedding)，接着将地点嵌入放入全连接层网络中，并使用平均池化技术抽取特征，从而得到图嵌入(Graph Embedding)。
更具体的，获取地点图的空间依赖关系的方式如下：
Figure BDA0002423517370000061
其中，Z(Xu,Au)表示利用图卷积网络模块计算出的地点图的空间依赖关系；σ表示图卷积网络模块中的激活函数，Du表示邻接矩阵的出度对角矩阵；Xu表示输入特征矩阵，
Figure BDA0002423517370000071
为邻接矩阵的自连接结构，且输入特征矩阵通过将样本用户的历史轨迹输入至嵌入层后得出，W表示权重矩阵。
需要说明的是，在得出运动轨迹的空间依赖关系后，将其输入至文本Context中；文本Context结合编码器模块输出的时间依赖关系和图卷积网络模块输出的空间依赖关系，再输入至解码器模块中的神经元中。
具体的，解码器模块同样是由一层长短期循环神经网络搭建而成，将编码器输出的隐藏状态向量和文本Context作为解码器模块的输入，解码器模块结合当前轨迹确定出对应的样本用户的预测运动轨迹。
具体的，利用解码器模块计算出预测运动轨迹与样本用户的历史轨迹和当期轨迹的关联性，具体计算过程如下：
Figure BDA0002423517370000072
Figure BDA0002423517370000073
Figure BDA0002423517370000074
其中，h表示循环神经网络模块的隐藏状态向量，t表示样本子轨迹序列的索引，T表示样本子轨迹序列中的历史地点对应的索引；n表示前t-1个样本子轨迹的总长度；
Figure BDA0002423517370000075
表示样本用户之前去过的各地点；f和g分别为编码器中的神经元和解码器中的神经元的计算函数；
Figure BDA0002423517370000076
表示预测运动轨迹，通过计算出预测运动轨迹
Figure BDA0002423517370000077
相对于每个历史轨迹或者当前轨迹的条件概率。也就是说，解码器模块以样本用户的样本轨迹地点集合
Figure BDA0002423517370000078
及隐藏状态向量h和文本Context作为输入，输出
Figure BDA0002423517370000079
与前几个去的地点的关联性
Figure BDA00024235173700000710
可见，现有技术中的目标运动轨迹预测模型中的循环神经网络模块由于长轨迹的梯度消失问题以及数据稀疏性问题等，往往无法深入地捕获时间依赖关系，本实施例中利用编码器-解码器模块作为循环神经网络模块，解码器模块的计算过程利用了编码器模块和图卷积网络模块输入的文本Context，文本Context包括时间依赖关系和空间依赖关系，即在用户轨迹预测的过程中考虑了时间依赖关系和空间依赖关系的双重影响；并且将根据各样本子轨迹序列确定出的各样本用户的历史轨迹和当前轨迹的样本对输入至深度神经网络进行学习训练得出目标轨迹预测模型，能提高目标轨迹预测模型的准确度。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对之后，进一步包括：
利用嵌入式技术编码对各样本对进行编码，得到编码样本对；
对应的，将样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型的过程，具体包括：
将编码样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型。
具体的，在本实施例中，是在利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对之后，利用嵌入式技术编码对各样本对进行编码，得到编码样本对。需要说明的是，使用嵌入式技术编码样本对，实质上是对样本对中的各地点进行编码，即初始化输入至深度神经网络中的输入特征。这样在向深度神经网络中假如各个地点的语义信息的同时，也便于深度神经网络进行学习训练，提高训练出目标轨迹预测模型的效率。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例进一步包括：
在预设地图上标记出与预测运动轨迹对应的目标地址。
在本实施例中，是在得出预测运动轨迹之后，在与目标用户相对应的预设地图上对与预测运动轨迹对应的目标地址进行标记。具体的，预设地图的形式可以是三维图、卫星图以及平面图等地图，本实施例对此不做限定；获取预设地图的方式可以是利用GPS(Global Positioning System，全球定位系统)定位系统或者北斗定位系统等确定出与目标用户所在位置对应的地图；在预设地图上进行标记的方法可以是将与预测运动轨迹对应的目标地址进行高亮显示或者在预设地图上圈出该目标地址，本实施例对此也不做限定。
可见，本实施例通过进一步在预设地图上标记出与预测运动轨迹对应的目标地址，因此能够更直观地获取目标用户的运动轨迹，从而进一步提升用户的使用体验。
上文对于本发明提供的一种用户运动轨迹的预测方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的用户运动轨迹的预测装置、设备及计算机可读存储介质，由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图4为本发明实施例提供的一种用户运动轨迹的预测装置的结构图，如图4所示，一种用户运动轨迹的预测装置包括：
训练模块41，用于利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；
预测模块42，用于将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。
本发明实施例提供的用户运动轨迹的预测装置，具有上述用户运动轨迹的预测方法的有益效果。
作为优选的实施方式，训练模块具体包括：
序列划分子模块，用于分别将各样本用户的样本轨迹地点集合按照预设时间间隔划分出对应的样本子轨迹序列；
样本对确定子模块，用于利用各样本子轨迹序列确定出各样本用户的历史轨迹和当前轨迹的样本对；
输入子模块，用于将样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型。
作为优选的实施方式，一种用户运动轨迹的预测装置进一步包括：
编码模块，用于利用嵌入式技术编码对各样本对进行编码，得到编码样本对；
对应的，输入子模块具体包括：
输入单元，用于将编码样本对输入至设置有循环神经网络模块和图卷积网络模块的深度神经网络中，得出目标轨迹预测模型。
作为优选的实施方式，一种用户运动轨迹的预测装置进一步包括：
标记模块，用于在预设地图上标记出与预测运动轨迹对应的目标地址。
图5为本发明实施例提供的一种用户运动轨迹的预测设备的结构图，如图5所示，一种用户运动轨迹的预测设备包括：
存储器51，用于存储计算机程序；
处理器52，用于执行计算机程序时实现如上述用户运动轨迹的预测方法的步骤。
本发明实施例提供的用户运动轨迹的预测设备，具有上述用户运动轨迹的预测方法的有益效果。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述用户运动轨迹的预测方法的步骤。
本发明实施例提供的计算机可读存储介质，具有上述用户运动轨迹的预测方法的有益效果。
以上对本发明所提供的用户运动轨迹的预测方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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。
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。
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。

Claims (8)

1.一种用户运动轨迹的预测方法，其特征在于，包括：
利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；
将目标用户的轨迹地点集合输入至所述目标轨迹预测模型中，得出所述目标用户的预测运动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述循环神经网络模块具体为编码器-解码器模块。
3.根据权利要求2所述的方法，其特征在于，所述利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型的过程，具体包括：
分别将各样本用户的样本轨迹地点集合按照预设时间间隔划分出对应的样本子轨迹序列；
利用各所述样本子轨迹序列确定出各所述样本用户的历史轨迹和当前轨迹的样本对；
将所述样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型。
4.根据权利要求3所述的方法，其特征在于，在所述利用各所述样本子轨迹序列确定出各所述样本用户的历史轨迹和当前轨迹的样本对之后，进一步包括：
利用嵌入式技术编码对各所述样本对进行编码，得到编码样本对；
对应的，所述将所述样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型的过程，具体包括：
将所述编码样本对输入至设置有所述循环神经网络模块和所述图卷积网络模块的所述深度神经网络中，得出所述目标轨迹预测模型。
5.根据权利要求1至4任一项所述的方法，其特征在于，进一步包括：
在预设地图上标记出与所述预测运动轨迹对应的目标地址。
6.一种用户运动轨迹的预测装置，其特征在于，包括：
训练模块，用于利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；
预测模块，用于将目标用户的轨迹地点集合输入至所述目标轨迹预测模型中，得出所述目标用户的预测运动轨迹。
7.一种用户运动轨迹的预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的用户运动轨迹的预测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的用户运动轨迹的预测方法的步骤。
CN202010213218.0A 2020-03-24 2020-03-24 一种用户运动轨迹的预测方法、装置、设备及存储介质 Pending CN111339449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213218.0A CN111339449A (zh) 2020-03-24 2020-03-24 一种用户运动轨迹的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213218.0A CN111339449A (zh) 2020-03-24 2020-03-24 一种用户运动轨迹的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111339449A true CN111339449A (zh) 2020-06-26

Family

ID=71186138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213218.0A Pending CN111339449A (zh) 2020-03-24 2020-03-24 一种用户运动轨迹的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111339449A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768245A (zh) * 2020-06-30 2020-10-13 创新奇智(北京)科技有限公司 特征提取\购买倾向判断方法、装置、存储介质及终端
CN112270349A (zh) * 2020-10-23 2021-01-26 福州大学 基于gcn-lstm的个体位置预测方法
CN112541449A (zh) * 2020-12-18 2021-03-23 天津大学 一种基于无人机航拍视角的行人轨迹预测方法
CN113068131A (zh) * 2021-06-01 2021-07-02 浙江非线数联科技股份有限公司 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN114418093A (zh) * 2022-01-19 2022-04-29 北京百度网讯科技有限公司 训练路径表征模型、输出信息的方法和装置
CN115071704A (zh) * 2022-07-19 2022-09-20 小米汽车科技有限公司 轨迹预测方法、装置、介质、设备、芯片和车辆

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105409306A (zh) * 2014-06-11 2016-03-16 华为技术有限公司 移动终端位置预测方法及装置
CN106981198A (zh) * 2017-05-24 2017-07-25 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110147911A (zh) * 2019-05-28 2019-08-20 吉林大学 一种基于内容感知的社交影响力预测模型及预测方法
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
CN110660082A (zh) * 2019-09-25 2020-01-07 西南交通大学 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法
CN110827320A (zh) * 2019-09-17 2020-02-21 北京邮电大学 基于时序预测的目标跟踪方法和装置
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105409306A (zh) * 2014-06-11 2016-03-16 华为技术有限公司 移动终端位置预测方法及装置
CN106981198A (zh) * 2017-05-24 2017-07-25 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110413844A (zh) * 2019-05-24 2019-11-05 浙江工业大学 基于时空注意力深度模型的动态链路预测方法
CN110147911A (zh) * 2019-05-28 2019-08-20 吉林大学 一种基于内容感知的社交影响力预测模型及预测方法
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110827320A (zh) * 2019-09-17 2020-02-21 北京邮电大学 基于时序预测的目标跟踪方法和装置
CN110660082A (zh) * 2019-09-25 2020-01-07 西南交通大学 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AMIR SADEGHIAN, VINEET KOSARAJU, ALI SADEGHIAN, NORIAKI HIROSE,: "SoPhie: An Attentive GAN for Predicting Paths Compliant to Social and Physical Constraint", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION 2019》, 20 June 2019 (2019-06-20), pages 1 - 3 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768245A (zh) * 2020-06-30 2020-10-13 创新奇智(北京)科技有限公司 特征提取\购买倾向判断方法、装置、存储介质及终端
CN112270349A (zh) * 2020-10-23 2021-01-26 福州大学 基于gcn-lstm的个体位置预测方法
CN112270349B (zh) * 2020-10-23 2023-02-21 福州大学 基于gcn-lstm的个体位置预测方法
CN112541449A (zh) * 2020-12-18 2021-03-23 天津大学 一种基于无人机航拍视角的行人轨迹预测方法
CN113068131A (zh) * 2021-06-01 2021-07-02 浙江非线数联科技股份有限公司 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN114418093A (zh) * 2022-01-19 2022-04-29 北京百度网讯科技有限公司 训练路径表征模型、输出信息的方法和装置
CN114418093B (zh) * 2022-01-19 2023-08-25 北京百度网讯科技有限公司 训练路径表征模型、输出信息的方法和装置
CN115071704A (zh) * 2022-07-19 2022-09-20 小米汽车科技有限公司 轨迹预测方法、装置、介质、设备、芯片和车辆
CN115071704B (zh) * 2022-07-19 2022-11-11 小米汽车科技有限公司 轨迹预测方法、装置、介质、设备、芯片和车辆

Similar Documents

Publication Publication Date Title
CN111339449A (zh) 一种用户运动轨迹的预测方法、装置、设备及存储介质
CN111400620B (zh) 基于时空嵌入Self-Attention的用户轨迹位置预测方法
CN108536679B (zh) 命名实体识别方法、装置、设备及计算机可读存储介质
CN114372116B (zh) 一种基于lstm和时空注意力机制的车辆轨迹预测方法
CN110414732B (zh) 一种出行未来轨迹预测方法、装置、储存介质及电子设备
CN111309780B (zh) 一种轨迹数据处理方法及装置
CN113068131B (zh) 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN117407711B (zh) 基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法
CN114461931A (zh) 一种基于多关系融合分析的用户轨迹预测方法和系统
CN116403404A (zh) 基于运动不确定性扩散模型的车辆轨迹预测方法及系统
CN113761395B (zh) 轨迹生成模型训练方法、轨迹生成方法及装置
Chu et al. Simulating human mobility with a trajectory generation framework based on diffusion model
CN114885293A (zh) 一种基于深度学习的信令轨迹恢复方法、系统及存储介质
CN114741614A (zh) 一种基于位置编码器和时空嵌入的位置推荐方法
Asahara et al. A mixed autoregressive hidden-markov-chain model applied to people's movements
Wei et al. Diff-rntraj: A structure-aware diffusion model for road network-constrained trajectory generation
CN116699731B (zh) 一种热带气旋路径短期预报方法、系统及存储介质
Liu et al. Dynamic traffic flow prediction based on long-short term memory framework with feature organization
CN116811895A (zh) 车辆运行速度确定模型处理方法和车辆运行速度确定方法
Gong et al. Contrastive pre-training with adversarial perturbations for check-in sequence representation learning
CN113516315B (zh) 风力发电功率区间预测方法、设备及介质
CN115797586A (zh) 基于稀疏蜂窝信令数据的地图匹配方法、设备及存储介质
Ziat et al. Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series.
CN117935560B (zh) 一种交通出行交互流量预测方法、系统、终端设备及介质
CN117192998B (zh) 基于Transformer神经网络状态预测的无人机自主决策方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication