CN111737598B - 区域栅格化与时间片段化融合的长时空轨迹预测方法 - Google Patents

区域栅格化与时间片段化融合的长时空轨迹预测方法 Download PDF

Info

Publication number
CN111737598B
CN111737598B CN202010335422.XA CN202010335422A CN111737598B CN 111737598 B CN111737598 B CN 111737598B CN 202010335422 A CN202010335422 A CN 202010335422A CN 111737598 B CN111737598 B CN 111737598B
Authority
CN
China
Prior art keywords
time
space
trajectory
grained
coarse
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
Application number
CN202010335422.XA
Other languages
English (en)
Other versions
CN111737598A (zh
Inventor
刘驰
王宇
朴成哲
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010335422.XA priority Critical patent/CN111737598B/zh
Publication of CN111737598A publication Critical patent/CN111737598A/zh
Application granted granted Critical
Publication of CN111737598B publication Critical patent/CN111737598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于时空轨迹建模与特征提取技术领域，公开一种区域栅格化与时间片段化融合的长时空轨迹预测方法：所述方法包括：步骤1，将一段连续的时空轨迹和目标时间点，通过时间片段化及区域栅格化处理为粗粒度时空轨迹，并通过时间向量化和空间向量化表示为细粒度时空轨迹；步骤2，提取所述粗粒度时空轨迹的时空特征；步骤3，提取所述细粒度时空轨迹的时空特征；步骤4，整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点。本发明所述预测方法通过将连续的长时空轨迹时间片段化、区域栅格化，然后通过粗粒度片段化栅格卷积模块，细粒度时空轨迹预测模块，粗细联合预测模块，对未知轨迹点进行预测。

Description

区域栅格化与时间片段化融合的长时空轨迹预测方法
技术领域
本发明涉及时空轨迹建模与特征提取技术领域，具体涉及一种区域栅格化与时间片段化融合的长时空轨迹预测方法。
背景技术
近年来，以滴滴打车、美团外卖和百度地图为代表的用于旅行规划和日常生活的新兴移动应用程序和服务已经成为我们生活中不可缺少的一部分，这些应用可以通过用户的旅行记录来预测其旅行行为，从而为用户提供更加个性化的服务。但是，用户时空轨迹的复杂性会严重影响其未来位置预测的准确性。例如，人们在工作日以相对固定的时间往返于办公室和住宅，而在周末，人们的选择范围为更广，出行时间也更加随意。因而，针对更有规律的工作日轨迹更容易被预测。
此外，研究表明，不仅仅是离家近的区域，一些城市公共区域也在吸引人们，如大型购物中心和美食街，这就引起用户轨迹的更加不确定性和复杂性，与此同时，还有一些用户的活动规律需根据其长期轨迹才能发现，例如，某用户会在每个月的固定一天去较远的超市购买打折商品，这种长期规律往往隐藏在大量的用户移动轨迹点中，难以发现。
时空轨迹建模与特征提取，是指对一系列根据时间变化的轨迹点进行建模与特征提取，并在给定时间的情况下，预测未知的轨迹点。
对于具有长时间复杂变化的时空轨迹，难以直接使用效果很好的基于卷积的时空模型，基于卷积的时空模型可以在不破坏空间相对位置信息的条件下，同时捕捉复杂变化的时空规律，已经成功应用于图像，交通等很多领域的时空序列分析。但对于时空轨迹而言，需要定位到每个轨迹点，而不仅仅是一段区域，基于卷积的时空模型往往只能定位到区域，太细粒度的空间划分会导致非常大的计算开销，同时也会让有效数据变得十分稀疏，不利于时空建模。
对于现有的其他时空轨迹预测模型，往往不能像基于卷积的时空模型那样，在保留轨迹点空间相对位置的情况下，进行时空分析，现有时空分析模型，诸如ST-RNN[2]，HST-LSTM[3]，STGCN[4]等，将时空信息作为循环神经网络结构中的门控制信息，以此来对时空信息进行建模，这种方法即使可以定位到轨迹点，但相较于基于卷积的时空模型，这些方法不能在建模时保留轨迹点的空间相对位置，因而没有直接利用到轨迹点的空间相对位置信息，难以应对轨迹的复杂空间变化。此外，由于缺少外部存储机制，这些方法也无法对长期轨迹变化进行很好的建模。
而一些较为普适性的时序模型也难以对复杂的长时空轨迹进行很好的建模，例如传统的LSTM[5]，或者针对长序列设计的NTM[6]，DNC[7]等，这些方法在建模时没有单独考虑空间信息，因而难以捕捉时空轨迹复杂的空间变化。
现有的长时空轨迹特征提取方法，一种是名为STGCN的循环神经网络模型，在文章“Where to go next:A spatio-temporal gated network for next POIrecommendation”被提出并使用。
STGCN模型中有两个时间门和两个距离门，一对时间门和距离门被用来利用时间间隔和距离间隔来捕捉短期兴趣，另一对时间门和距离门用来记忆时间间隔和距离间隔来模拟长期兴趣。此外，STGCN模型通过耦合输入门和忘记门来减少参数的数量，使得模型用于解决各种时空序列的特征提取问题时更有效。
虽然STGCN模型设计了新的时间和距离门来捕获时空间隔特征，但是不同空间区域和不同时间段之间的时空相关性没有被明确地建模。而且两对时间门和距离门并没有针对长短期特征进行专门的设计处理，无法充分对长短期特征进行提取。
此外，STGCN中仅使用少量参数(ct，ht)表征历史状态，因而无法对长期历史进行处理利用，对长期时空特征提取能力较弱。
另一种是名为ARMIN的网络结构。在文章“ARMIN:Towards a More Efficient andLight-weight Recurrent Memory Network”被提出并使用。
ARMIN由一个循环单元和一个存储历史隐藏状态的外部存储器组成。在处理时空轨迹数据时，ARMIN在每个时间步中按时间顺序执行从外部存储器读取、循环单元状态更新和向外部存储器写入这三个操作。通过使用外部存储器，ARMIN可以对更为长期的时空轨迹特征进行提取。
ARMIN没有有效利用时空轨迹数据中的时空信息来对外部存储进行读写控制，因而无法从存储的长期历史数据中遴选出比较重要的时空信息，在长时空轨迹建模任务上能力不足。
发明内容
本发明提供一种区域栅格化与时间片段化融合的长时空轨迹预测方法，解决现有技术存在的上述技术问题，通过将连续的长时空轨迹时间片段化、区域栅格化，然后通过粗粒度片段化栅格卷积模块，细粒度时空轨迹预测模块，粗细联合预测模块，对未知轨迹点进行预测。
为达到上述目的，本发明采用以下技术方案：
一种区域栅格化与时间片段化融合的长时空轨迹预测方法，包括：
步骤1，将一段连续的时空轨迹和目标时间点，通过时间片段化及区域栅格化处理为粗粒度时空轨迹，并通过时间向量化和空间向量化表示为细粒度时空轨迹；
步骤2，提取所述粗粒度时空轨迹的时空特征；
步骤3，提取所述细粒度时空轨迹的时空特征；
步骤4，整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点。
进一步地，步骤1中包括：
步骤1.1，将地图等分成形状大小相同的栅格；
步骤1.2，将一段时间等分成时间片段；
步骤1.3，取三维矩阵
Figure GDA0003871317020000031
其中，所述三维矩阵的前两维表示栅格，第三维表示时间片段，将时空轨迹
Figure GDA0003871317020000032
中对应时间片段的轨迹点填入三维矩阵
Figure GDA0003871317020000033
重复本步骤D-1次，得到粗粒度时空轨迹
Figure GDA0003871317020000034
进一步地，步骤2中，通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特征。
进一步地，步骤2中，使用卷积网络提取所述粗粒度时空轨迹的空间特征；使用卷积循环网络提取时间特征和空间特征。
进一步地，步骤3中包括：
步骤3.1，将轨迹点
Figure GDA0003871317020000035
输入到循环网络中，得到隐藏状态
Figure GDA0003871317020000036
其中，
Figure GDA0003871317020000037
代表轨迹点，s指代某一条轨迹，下标1指代轨迹中的第1个轨迹点，
Figure GDA0003871317020000038
是轨迹点
Figure GDA0003871317020000039
的向量表示；
步骤3.2，计算向量序列
Figure GDA00038713170200000310
其中，
Figure GDA00038713170200000311
代表写入信息向量，用于向区域栅格记忆中进行写入，
Figure GDA00038713170200000312
代表阅读键值，用于从区域栅格记忆中进行读取，MLP(.)是多层线性映射，[，]为拼接两个向量，所述两个向量包括
Figure GDA00038713170200000313
和
Figure GDA00038713170200000314
Figure GDA00038713170200000315
步骤3.3，区域栅格记忆写入，设矩阵
Figure GDA0003871317020000041
此矩阵代表区域栅格记忆在第0次更新的状态，n是栅格的个数，c是特征数，R表示实数，取
Figure GDA0003871317020000042
Figure GDA0003871317020000043
进行如下操作，得到
Figure GDA0003871317020000044
其中，M是区域栅格记忆矩阵，s指代任意序列，下标代表第几次更新：
步骤3.31，从
Figure GDA0003871317020000045
中取轨迹点
Figure GDA0003871317020000046
所在栅格对应的那一行
Figure GDA0003871317020000047
其中，M是区域栅格记忆矩阵，s指代任意序列，l-1代表第l-1次更新，
Figure GDA0003871317020000048
代表矩阵
Figure GDA0003871317020000049
中，轨迹点
Figure GDA00038713170200000410
实际所在空间区域栅格所对应的那一行向量；
步骤3.32，利用循环网络RNN()更新
Figure GDA00038713170200000411
公式如下：
Figure GDA00038713170200000412
步骤3.33，将
Figure GDA00038713170200000413
替换
Figure GDA00038713170200000414
中的
Figure GDA00038713170200000415
替换后的矩阵记作
Figure GDA00038713170200000416
其中，
Figure GDA00038713170200000417
代表矩阵
Figure GDA00038713170200000418
中，轨迹点
Figure GDA00038713170200000419
实际所在空间区域栅格所对应的那一行向量；
步骤3.4，区域栅格记忆读取，通过：
Figure GDA00038713170200000420
得到读向量序列
Figure GDA00038713170200000421
其中，
Figure GDA00038713170200000422
表示取
Figure GDA00038713170200000423
的第i行，βi是第i行权值，exp(.)是指数函数；
步骤3.5，获得预测向量序列
Figure GDA00038713170200000424
Figure GDA00038713170200000425
其中，MLP(.)是多层线性映射，[，]为拼接其中的向量，exp(.)是指数函数，
Figure GDA00038713170200000426
是时间片段注意力权值。
进一步地，步骤4包括：
步骤4.1，取
Figure GDA00038713170200000427
的第三维度的第i个时间片段，记作
Figure GDA00038713170200000428
Figure GDA00038713170200000429
是一个三维矩阵，与真实的粗粒度轨迹的
Figure GDA00038713170200000430
的
Figure GDA00038713170200000431
相对应，
Figure GDA00038713170200000432
是
Figure GDA00038713170200000433
的预测值，f指代某一条轨迹，D代表粗粒度轨迹长度，
Figure GDA00038713170200000434
是一个三维矩阵，前两维对应一个实际的区域，第三维代表各时间片段，值代表某区域在某一时间片段的访问次数；
步骤4.2，取
Figure GDA00038713170200000435
前k个栅格中的轨迹点根据
Figure GDA00038713170200000436
进行由大到小排序，得到排序列表
Figure GDA00038713170200000437
其中，
Figure GDA00038713170200000438
是
Figure GDA00038713170200000439
的估计值，MLP()是多层全连接网络，将
Figure GDA00038713170200000440
映射到向量
Figure GDA00038713170200000441
Figure GDA00038713170200000442
的大小为轨迹点的个数，值代表每个轨迹点被访问的可能性，值越大，可能性越高；
步骤4.3，取序列表
Figure GDA0003871317020000051
中的第一个值对应的轨迹点，作为预测轨迹点
Figure GDA0003871317020000052
与现有技术相比，本发明的优越效果在于：
1，本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，通过对时空轨迹的时空特征进行提取，能够精准预测用户未来的轨迹点；
2，本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，通过粗粒度时空轨迹建模，将区域栅格化、时间片段化，充分利用了基于卷积的时空特征分析，根据时空轨迹的宏观变化特性，来对未知轨迹点可能出现的栅格进行定位；
3，本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，通过细粒度时空轨迹建模，根据轨迹在空间上的栅格化分布特性来分类整合空间信息，把握长时段轨迹空间变化规律，并根据时间片段变化规律关注更重要时段的特征信息，从而对轨迹点进行更精细的时空预测。
4，本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，通过细粒度时空轨迹建模，通过整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征的步骤，有效的联合的两者的优势。
附图说明
图1是本发明实施例1中区域栅格化与时间片段化融合的长时空轨迹预测方法的示意图；
图2是本发明实施例1中区域栅格化与时间片段化融合的长时空轨迹预测方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
实施例1
在本实施例中，提供一种对时空轨迹片段化、栅格化的数据处理方式，这种处理方式将一维的时空轨迹点整合成了三维矩阵，一维时空轨迹点序列的时空特征难以使用较为成熟的基于卷积的时空模型直接进行分析，时空特征难以有效提取，而三维矩阵本身包含了时空信息，且可以直接使用基于卷积的时空模型直接进行分析，从而有效提取复杂的、高变换的时空轨迹的宏观变化；
提出了一种细粒度时空轨迹预测模块，其中，区域栅格记忆存储机制有效地利用空间规律把轨迹的空间信息按栅格分类写到外部存储中，把握轨迹的长期空间变化规律；时间片段注意力机制，把握轨迹在时间上的变化规律，从而更有效地读取重要时间段的轨迹特征；
提出了一种粗细联合预测模块，该模块以一种低耦合性的方式，将粗粒度片段化栅格化卷积模块和细粒度时空轨迹预测模块进行高效联合，粗粒度时空轨迹建模更能捕捉轨迹复杂的时空变化，但只能预测到目标栅格。细粒度轨迹建模能够定位到目标轨迹点，但对变化特别复杂时空轨迹建模能力不足。本专利提出的粗细联合预测模块充分利用了二者优势，且以一种低耦合性的方式在不影响二者建模能力的情况下对二者进行了联合。
如图1-2所示，一种区域栅格化与时间片段化融合的长时空轨迹预测方法，包括：
步骤1，将一段连续的时空轨迹
Figure GDA0003871317020000061
和目标时间点，通过时间片段化及区域栅格化处理为粗粒度时空轨迹
Figure GDA0003871317020000062
并通过时间向量化和空间向量化表示为细粒度时空轨迹；
步骤2，提取所述粗粒度时空轨迹的时空特征；
步骤3，提取所述细粒度时空轨迹的时空特征；
步骤4，整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点。
在本实施例的步骤1中，所述目标时间点为预测轨迹点的时间点；步骤4中所述特征为轨迹时空关联性的一种向量表示。
在本实施例的步骤1中包括：
步骤1.1，将一个地图等分成形状大小相同的栅格；
步骤1.2，将一段时间等分成时间片段；
步骤1.3，取三维矩阵
Figure GDA0003871317020000063
其中，三维矩阵的前两维表示栅格，第三维表示时间片段，将时空轨迹
Figure GDA0003871317020000064
中对应时间片段的轨迹点填入三维矩阵
Figure GDA0003871317020000065
重复该步骤D-1次，得到粗粒度时空轨迹
Figure GDA0003871317020000066
在本实施例的步骤1.1中，所述地图可以为一个城市的地图，所述区域为所述地图中的一部分，比如城市里的一个商场。
在本实施例的步骤1.2中，所述一段时间为任意长度。
在本实施例的步骤2中，通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特征。
步骤2中，使用卷积网络提取所述粗粒度时空轨迹的空间特征，所述空间特征是提取出来的特征的三维矩阵表示，前两个维度与实际的区域对应，第三维中的值代表各个时段的特征值，该值由卷积网络计算得出，卷积网络提取出的值可看作空间特征；使用卷积循环网络提取时间特征和空间特征，三维矩阵特征的第三个通道代表时段，第三个通道的各个值代表不同的时段，各时段的值是由卷积循环网络计算得出，卷积循环网络可计算同时具有时空特性序列的特征值，卷积网络只进行了空间特征提取，卷积循环网络同时进行空间和时间的特征提取，第二次的空间特征是时空特征共同提取出的空间特征。
进一步地，步骤3中包括：
步骤3.1，将轨迹点
Figure GDA0003871317020000071
输入到循环网络中，得到隐藏状态
Figure GDA0003871317020000072
其中，
Figure GDA0003871317020000073
代表轨迹点，s指代某一条轨迹，下标1指代轨迹中的第1个轨迹点，
Figure GDA0003871317020000074
是轨迹点
Figure GDA0003871317020000075
的向量表示；
步骤3.2，计算向量序列
Figure GDA0003871317020000076
其中，
Figure GDA0003871317020000077
代表写入信息向量，用于向区域栅格记忆中进行写入，
Figure GDA0003871317020000078
代表阅读键值，用于从区域栅格记忆中进行读取，MLP(.)是多层线性映射，[，]为拼接两个向量，所述两个向量包括
Figure GDA0003871317020000079
和
Figure GDA00038713170200000710
Figure GDA00038713170200000711
步骤3.3，区域栅格记忆写入，设矩阵
Figure GDA00038713170200000712
此矩阵代表区域栅格记忆在第0次更新的状态，n是栅格的个数，c是特征数，R表示实数，取
Figure GDA00038713170200000713
进行如下操作，得到
Figure GDA00038713170200000714
其中，M是区域栅格记忆矩阵，s指代任意序列，下标代表第几次更新：
步骤3.31，从
Figure GDA00038713170200000715
中取轨迹点
Figure GDA00038713170200000716
所在栅格对应的那一行
Figure GDA00038713170200000717
其中，M是区域栅格记忆矩阵，s指代任意序列，l-1代表第l-1次更新，
Figure GDA00038713170200000718
代表矩阵
Figure GDA00038713170200000719
中，轨迹点
Figure GDA00038713170200000720
实际所在空间区域栅格所对应的那一行向量；
步骤3.32，利用循环网络RNN()更新
Figure GDA00038713170200000721
公式如下：
Figure GDA00038713170200000722
步骤3.33，将
Figure GDA0003871317020000081
替换
Figure GDA0003871317020000082
中的
Figure GDA0003871317020000083
替换后的矩阵记作
Figure GDA0003871317020000084
其中，
Figure GDA0003871317020000085
代表矩阵
Figure GDA0003871317020000086
中，轨迹点
Figure GDA0003871317020000087
实际所在空间区域栅格所对应的那一行向量；
步骤3.4，区域栅格记忆读取，通过：
Figure GDA0003871317020000088
得到读向量序列
Figure GDA0003871317020000089
其中，
Figure GDA00038713170200000810
表示取
Figure GDA00038713170200000811
的第i行，βi是第i行权值，exp(.)是指数函数；
步骤3.5，获得预测向量序列
Figure GDA00038713170200000812
Figure GDA00038713170200000813
其中，其中MLP(.)是多层线性映射，[，]为拼接其中的向量，exp(.)是指数函数，
Figure GDA00038713170200000814
是时间片段注意力权值。
在本实施例的步骤3.1中，循环网络相当于一个整合器，将多个估计点的向量表示整合成一个向量，例如
Figure GDA00038713170200000815
整合成
Figure GDA00038713170200000816
Figure GDA00038713170200000817
整合成
Figure GDA00038713170200000818
以此类推；隐藏状态是轨迹点向量的一种高度整合的向量表示，即
Figure GDA00038713170200000819
代表
Figure GDA00038713170200000820
Figure GDA00038713170200000821
代表
Figure GDA00038713170200000822
本实施例的步骤4包括：
步骤4.1，取
Figure GDA00038713170200000823
的第三维度的第i个时间片段，记作
Figure GDA00038713170200000824
Figure GDA00038713170200000825
是一个三维矩阵，与真实的粗粒度轨迹的
Figure GDA00038713170200000826
的
Figure GDA00038713170200000827
相对应，
Figure GDA00038713170200000828
是
Figure GDA00038713170200000829
的预测值，f指代某一条轨迹，D代表粗粒度轨迹长度，
Figure GDA00038713170200000830
是一个三维矩阵，前两维对应一个实际的区域，第三维代表各时间片段，值代表某区域在某一时间片段的访问次数；
步骤4.2，取
Figure GDA00038713170200000831
前k个栅格中的轨迹点根据
Figure GDA00038713170200000832
进行由大到小排序，得到排序列表
Figure GDA00038713170200000833
其中，
Figure GDA00038713170200000834
是
Figure GDA00038713170200000835
的估计值，MLP()是多层全连接网络，将
Figure GDA00038713170200000836
映射到向量
Figure GDA00038713170200000837
Figure GDA00038713170200000838
的大小为轨迹点的个数，值代表每个轨迹点被访问的可能性，值越大，可能性越高；
步骤4.3，取序列表
Figure GDA00038713170200000839
中的第一个值对应的轨迹点，作为预测轨迹点
Figure GDA00038713170200000840
本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。

Claims (4)

1.一种区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，包括：
步骤1，将一段连续的时空轨迹和目标时间点，通过时间片段化及区域栅格化处理为粗粒度时空轨迹，并通过时间向量化和空间向量化表示为细粒度时空轨迹；
步骤1.1，将地图等分成形状大小相同的栅格；
步骤1.2，将一段时间等分成时间片段；
步骤1.3，取三维矩阵
Figure FDA0003896506980000011
其中，所述三维矩阵的前两维表示栅格，第三维表示时间片段，将时空轨迹
Figure FDA0003896506980000012
中对应时间片段的轨迹点填入三维矩阵
Figure FDA0003896506980000013
重复本步骤D-1次，得到粗粒度时空轨迹
Figure FDA0003896506980000014
步骤2，提取所述粗粒度时空轨迹的时空特征；
步骤3，提取所述细粒度时空轨迹的时空特征；
步骤4，整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点；
步骤4.1，取
Figure FDA0003896506980000015
的第三维度的第i个时间片段，记作
Figure FDA0003896506980000016
Figure FDA0003896506980000017
是一个三维矩阵，与真实的粗粒度轨迹的
Figure FDA0003896506980000018
的
Figure FDA0003896506980000019
相对应，
Figure FDA00038965069800000110
是
Figure FDA00038965069800000111
的预测值，f指代某一条轨迹，D代表粗粒度轨迹长度，
Figure FDA00038965069800000112
是一个三维矩阵，前两维对应一个实际的区域，第三维代表各时间片段，值代表某区域在某一时间片段的访问次数；
步骤4.2，取
Figure FDA00038965069800000113
前k个栅格中的轨迹点根据
Figure FDA00038965069800000114
进行由大到小排序，得到排序列表
Figure FDA00038965069800000115
其中，
Figure FDA00038965069800000116
是
Figure FDA00038965069800000117
的估计值，MLP()是多层全连接网络，将
Figure FDA00038965069800000118
映射到向量
Figure FDA00038965069800000119
Figure FDA00038965069800000120
的大小为轨迹点的个数，值代表每个轨迹点被访问的可能性，值越大，可能性越高；
步骤4.3，取序列表
Figure FDA00038965069800000121
中的第一个值对应的轨迹点，作为预测轨迹点
Figure FDA00038965069800000122
2.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤2中，通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特征。
3.根据权利要求2所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤2中，使用卷积网络提取所述粗粒度时空轨迹的空间特征；使用卷积循环网络提取时间特征和空间特征。
4.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤3中包括：
步骤3.1，将轨迹点
Figure FDA00038965069800000123
输入到循环网络中，得到隐藏状态
Figure FDA00038965069800000124
其中，
Figure FDA00038965069800000125
代表轨迹点，s指代某一条轨迹，下标1指代轨迹中的第1个轨迹点，
Figure FDA00038965069800000126
是轨迹点
Figure FDA00038965069800000127
的向量表示；
步骤3.2，计算向量序列
Figure FDA0003896506980000021
其中，
Figure FDA0003896506980000022
代表写入信息向量，用于向区域栅格记忆中进行写入，
Figure FDA0003896506980000023
代表阅读键值，用于从区域栅格记忆中进行读取，MLP(.)是多层线性映射，[,]为拼接两个向量，所述两个向量包括
Figure FDA0003896506980000024
和
Figure FDA0003896506980000025
Figure FDA0003896506980000026
步骤3.3，区域栅格记忆写入，设矩阵
Figure FDA0003896506980000027
此矩阵代表区域栅格记忆在第0次更新的状态，n是栅格的个数，c是特征数，R表示实数，取
Figure FDA0003896506980000028
进行如下操作，得到
Figure FDA0003896506980000029
其中，M是区域栅格记忆矩阵，s指代任意序列，下标代表第几次更新：
步骤3.31，从
Figure FDA00038965069800000210
中取轨迹点
Figure FDA00038965069800000211
所在栅格对应的那一行
Figure FDA00038965069800000212
其中，M是区域栅格记忆矩阵，s指代任意序列，l-1代表第l-1次更新，
Figure FDA00038965069800000213
代表矩阵
Figure FDA00038965069800000214
中，轨迹点
Figure FDA00038965069800000215
实际所在空间区域栅格所对应的那一行向量；
步骤3.32，利用循环网络RNN()更新
Figure FDA00038965069800000216
公式如下：
Figure FDA00038965069800000217
步骤3.33，将
Figure FDA00038965069800000218
替换
Figure FDA00038965069800000219
中的
Figure FDA00038965069800000220
替换后的矩阵记作
Figure FDA00038965069800000221
其中，
Figure FDA00038965069800000222
代表矩阵
Figure FDA00038965069800000223
中，轨迹点
Figure FDA00038965069800000224
实际所在空间区域栅格所对应的那一行向量；
步骤3.4，区域栅格记忆读取，通过：
Figure FDA00038965069800000225
得到读向量序列
Figure FDA00038965069800000226
其中，
Figure FDA00038965069800000227
表示取
Figure FDA00038965069800000228
的第i行，βi是第i行权值，exp(.)是指数函数；
步骤3.5，获得预测向量序列
Figure FDA00038965069800000229
Figure FDA00038965069800000230
其中，MLP(.)是多层线性映射，[,]为拼接其中的向量，exp(.)是指数函数，
Figure FDA00038965069800000231
是时间片段注意力权值。
CN202010335422.XA 2020-04-24 2020-04-24 区域栅格化与时间片段化融合的长时空轨迹预测方法 Active CN111737598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010335422.XA CN111737598B (zh) 2020-04-24 2020-04-24 区域栅格化与时间片段化融合的长时空轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010335422.XA CN111737598B (zh) 2020-04-24 2020-04-24 区域栅格化与时间片段化融合的长时空轨迹预测方法

Publications (2)

Publication Number Publication Date
CN111737598A CN111737598A (zh) 2020-10-02
CN111737598B true CN111737598B (zh) 2022-12-27

Family

ID=72648176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010335422.XA Active CN111737598B (zh) 2020-04-24 2020-04-24 区域栅格化与时间片段化融合的长时空轨迹预测方法

Country Status (1)

Country Link
CN (1) CN111737598B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113702979B (zh) * 2021-07-16 2024-03-15 中国船舶重工集团公司第七一五研究所 一种跨区目标跟踪轨迹片段时空拼接方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN108574933A (zh) * 2017-03-07 2018-09-25 华为技术有限公司 用户轨迹恢复方法及装置
CN109816170A (zh) * 2019-01-25 2019-05-28 湖北大学 一种基于轨迹挖掘的出租车等待时间预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473307B (zh) * 2010-03-15 2015-05-27 松下电器产业株式会社 用于轨迹估计的方法和装置以及用于分割的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN108574933A (zh) * 2017-03-07 2018-09-25 华为技术有限公司 用户轨迹恢复方法及装置
CN109816170A (zh) * 2019-01-25 2019-05-28 湖北大学 一种基于轨迹挖掘的出租车等待时间预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
位置感知下的移动行为特征建模;郭鑫颖;《西安科技大学硕士学位论文》;20180115(第1期);第24、25，40-58页 *

Also Published As

Publication number Publication date
CN111737598A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
CN108427965A (zh) 一种基于路网聚类的热点区域挖掘方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
CN110543543A (zh) 一种基于多粒度神经网络的用户移动行为预测方法及装置
CN107977734A (zh) 一种时空大数据下基于移动马尔可夫模型的预测方法
JP7226855B2 (ja) 列車がトンネルを通過する時間の計算方法、システム及び記憶媒体
CN111444243A (zh) 一种基于轨迹信息的用户行为预测画像方法及系统
CN106568445B (zh) 基于双向循环神经网络的室内轨迹预测方法
CN107018493A (zh) 一种基于连续时序马尔科夫模型的地理位置预测方法
CN105307121A (zh) 一种信息处理方法及装置
CN112687102A (zh) 基于知识图谱和深度时空卷积的城域交通流量预测方法
CN107045519B (zh) 一种分析人群移动规律的可视化系统
CN115829171B (zh) 一种联合时空信息和社交互动特征的行人轨迹预测方法
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN110110243A (zh) 一种基于回声状态网络的历史轨迹目的地预测方法
CN109190656B (zh) 一种低采样定位环境下的室内语义轨迹标注和补全方法
CN110472999A (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN111737598B (zh) 区域栅格化与时间片段化融合的长时空轨迹预测方法
CN115545758A (zh) 城市服务设施自适应增量选址的方法和系统
CN111242352A (zh) 基于车辆轨迹的停等聚集效应预测方法
CN112419711A (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN115408618A (zh) 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法
CN116010838A (zh) 一种融合密度值和K-means算法的车辆轨迹聚类方法
Shuai et al. Relationship analysis of short-term origin–destination prediction performance and spatiotemporal characteristics in urban rail transit
Chen et al. A novel spatiotemporal multigraph convolutional network for air pollution prediction

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