CN112000898A - 数据生成方法以及电子装置、存储介质 - Google Patents

数据生成方法以及电子装置、存储介质 Download PDF

Info

Publication number
CN112000898A
CN112000898A CN202010673870.0A CN202010673870A CN112000898A CN 112000898 A CN112000898 A CN 112000898A CN 202010673870 A CN202010673870 A CN 202010673870A CN 112000898 A CN112000898 A CN 112000898A
Authority
CN
China
Prior art keywords
track
time
preset
point
data
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.)
Granted
Application number
CN202010673870.0A
Other languages
English (en)
Other versions
CN112000898B (zh
Inventor
朱明浩
刘伟棠
曹金磊
陈立力
王龙
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010673870.0A priority Critical patent/CN112000898B/zh
Publication of CN112000898A publication Critical patent/CN112000898A/zh
Application granted granted Critical
Publication of CN112000898B publication Critical patent/CN112000898B/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
    • G06F16/9538—Presentation of query results
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (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)
  • Train Traffic Observation, Control, And Security (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种数据生成方法以及电子装置、存储介质，其中，数据生成方法包括：在对应不同位置的多个预设轨迹点中，选出第一轨迹点；对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点；确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数；利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。上述方案，能够批量生成时空轨迹数据。

Description

数据生成方法以及电子装置、存储介质
技术领域
本申请涉及信息技术领域，特别是涉及一种数据生成方法以及电子装置、存储介质。
背景技术
时空轨迹数据是城市大脑极其重要的组成部分。对时空轨迹的分析、理解、预测能够产生重大的经济价值和管理价值，包括但不限于：城市治堵、防堵等。在时空轨迹的研究、应用、测试中，需要大量的时空轨迹数据。有鉴于此，如何批量生成时空轨迹数据成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种数据生成方法以及电子装置、存储介质，能够批量生成时空轨迹数据。
为了解决上述问题，本申请第一方面提供了一种数据生成方法，包括：在对应不同位置的多个预设轨迹点中，选出第一轨迹点；对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点；确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数；利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。
为了解决上述问题，本申请第二方面提供了一种电子装置，包括相互耦接的存储器和处理器，存储器存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的数据生成方法。
为了解决上述问题，本申请第三方面提供了一种存储介质，存储有能够被处理器运行的程序指令，程序指令用于上述第一方面中的数据生成方法。
上述方案，在对应不同位置的多个预设轨迹点中，选出第一轨迹点，并对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，故能够确定一系列具有空间属性的轨迹点，并确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数，故能够确定这些轨迹点的时间属性，从而利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。故此，能够批量生成时空轨迹数据。
附图说明
图1是本申请数据生成方法一实施例的流程示意图；
图2是图1中步骤S13一实施例的流程示意图；
图3是本申请数据生成方法另一实施例的流程示意图；
图4是本申请数据生成装置一实施例的框架示意图；
图5是本申请电子装置一实施例的框架示意图；
图6是本申请存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请数据生成方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S11：在对应不同位置的多个预设轨迹点中，选出第一轨迹点。
多个预设轨迹点对应于实际场景中的不同位置，例如，多个预设轨迹点包含：预设轨迹点01、预设轨迹点02、预设轨迹点03，预设轨迹点01对应于城南某收费站，预设轨迹点02对应于城北某收费站，预设轨迹点03对应于城西某收费站，其他场景可以以此类推，在此不再一一举例。
在一个实施场景中，多个预设轨迹点可以预设编码方式进行编码，以便于后续采用预测模型进行轨迹预测。预设编码方式可以包括但不限于：采用不同的数字对不同的预设轨迹点进行编码，采用不同的字母对不同的预设轨迹点进行编码，采用不同的数字与字母组合对不同的预设轨迹点进行编码。例如，除了可以采用上述诸如“01”、“02”、“03”的数字对不同预设轨迹点进行编码之外，也可以采用诸如“A”、“B”、“C”的字母对不同预设轨迹点进行编码，还可以采用诸如“A01”、“A02”、“B01”、“B02”的数字与字母组合对不同预设轨迹点进行编码。具体可以根据实际应用需要进行设置，在此不做限定。
在一个具体的实施场景中，为了便于描述，对应不同位置的预设轨迹点可以分别记为g1,g2,g3,…,gn，其中，n表示多个预设轨迹点的总数量，例如，n可以是某一区域内卡口的总数量。因此，多个预设轨迹点可以采用集合表示为：G＝{g1,g2,g3,…,gn}。
在另一个具体的实施场景中，多个预设轨迹点可以对采集得到的样本轨迹数据进行统计得到。例如，采集得到100个样本轨迹数据，且经过统计，100个样本轨迹数据中所包含的轨迹点包括：城南某收费站、城北某收费站、城西某收费站，则可以将上述对应不同位置的轨迹点作为多个预设轨迹点G。
在又一个具体的实施场景中，多个预设轨迹点还可以直接从设备表中获取，设备表具体可以是某一区域卡口所安装的设备(如，监控相机)的集合，则可以将设备表中卡口设备所对应的不同位置作为多个预设轨迹点G。
上述获取多个预设轨迹点G的方式可以根据实际应用情况进行设置，在此不做限定。
在一个实施场景中，可以随机在对应不同位置的多个预设轨迹点中，选出第一轨迹点，故通过随机选取的方式确定预测轨迹数据中的第一个轨迹点(即第一轨迹点)，能够解决数据生成的冷启动问题，提高数据生成的效率和鲁棒性。
步骤S12：对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点。
在一个实施场景中，为了提高预测效率，可以预先训练一预测模型，从而可以利用预测模型对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点。具体地，预测模型可以包括但不限于：RNN(Recurrent Neural Network，循环神经网络)、GRU(gated recurrent unit，门控循环单元)、LSTM(Long Short-Term Memory，长短期记忆网络)、GPT(Gererate Pre-Training Model，格雷特预训练模型)、BERT(Bidirectional Encoder Representation from Transformers，双向Transformer的encoder)，具体可以根据实际应用需要进行设置，在此不做限定。
在一个具体的实施场景中，预测模型可以是利用样本轨迹数据训练得到的。具体地，可以将样本轨迹数据中顺序排列的轨迹点左移一位，得到一样本目标轨迹数据，并利用预测模型对样本轨迹数据进行轨迹预测，得到一样本预测轨迹数据，从而利用样本预测轨迹数据和样本目标轨迹数据之间的差异，调整预测模型的网络参数。例如，为了便于描述，样本轨迹数据可以表示为，Inputs＝{g1,g2,g75,g89,g23|g5,g13,g3,g79...}，将样本轨迹数据左移一位，得到样本目标轨迹数据，表示为Outputs＝{g2,g75,g89,g23|g5,g13,g3,g79...}，也就是说，输入Inputs中每一轨迹点的下一轨迹点是该轨迹点的学习目标，通过上述训练方式，能够使得预测模型利用至少一个轨迹点预测出位于其之后的至少一个轨迹点。在一个具体的实施场景中，可以采用交叉熵损失函数计算样本预测轨迹数据和样本目标轨迹数据之间的损失值，从而利用计算得到的损失值对预测模型的网络参数进行调整。在另一个具体的实施场景中，预测模型可以是在其他应用场景中已经预训练(pre-trained)好的网络模型，再利用本应用场景中的样本轨迹数据对预测模型进行再训练，从而可以微调(finetuning)预训练的预测模型的网络参数，得到适用于本应用场景的预测模型，具体可以根据实际应用需要进行设置，在此不做限定。
在另一个具体的实施场景中，可以利用预测模型对第一轨迹点进行预测处理，得到位于第一轨迹点之后的第二轨迹点，并重复执行利用预测模型对第一轨迹点和第二轨迹点进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点的步骤，直至满足预设结束条件为止。例如，第一轨迹点为对应于不同位置的多个预设轨迹点G中的g1，利用预测模型对第一轨迹点g1进行预测处理，得到位于第一轨迹点之后的第二轨迹点g3，从而利用预测模型对第一轨迹点g1和第二轨迹点g3进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点g5，在不满足预设结束条件的前提下，重新利用预测模型对第一轨迹点g1和第二轨迹点g3,g5进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点g4，在不满足预设结束条件的前提下，重新利用预测模型对第一轨迹点g1和第二轨迹点g3,g5,g4进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点g2，以此类推，在此不再一一举例。以上举例仅仅是实际应用时可能存在的一种情况，并不因此而限定实际应用时可能产生的情况。
在又一个具体的实施场景中，上述预设结束条件可以包括：预测模型预测得到结束标志符。具体地，结束标志符可以根据实际应用需要进行设置，例如，可以根据应用需要将结束标志符设置为“NULL”(即“空”)，或者，可以将结束标志符设置为“”(即空格)，或者，还可以将结束标志符设置为指定的字母或数字，在此不做限定。
在又一个具体的实施场景中，上述预设结束条件还可以包括：第一轨迹点和第二轨迹点的总个数大于第一预设阈值。具体地，第一预设阈值可以根据实际应用需要进行设置，例如，可以根据应用需要将第一预设阈值设置为100、200、300等等，在此不做限定。
在又一个具体的实施场景中，上述预设结束条件既可以包括：预测模型预测得到结束标志符，也可以包括：第一轨迹点和第二轨迹点的总个数大于第一预设阈值，当满足上述任一条件时，即可以结束预测处理步骤。
在又一个具体的实施场景中，当满足预设结束条件而结束预测处理步骤时，可以判断第一轨迹点和第二轨迹点的总个数是否大于第二预设阈值，并在总个数大于第二预设阈值时，按照预设划分方式，将第一轨迹点和位于第一轨迹点之后的顺序排列的第二轨迹点划分为若干段子轨迹，从而将每段子轨迹中第一个轨迹点作为第一轨迹点，并将位于第一个轨迹点之后的轨迹点作为第二轨迹点。具体地，第二预设阈值可以根据实际应用需要进行设置，可以设置为大于第一预设阈值，也可以设置为等于第一预设阈值，还可以设置为小于第一预设阈值，在此不做限定。此外，预设划分方式可以包括：每段子轨迹中所包含的轨迹点的总个数不大于第二预设阈值。例如，当满足预设结束条件时，第一轨迹点和位于第一轨迹点之后顺序排列的第二轨迹点可以表示为{g1,g3,g5,g4,g2,g7,g6,g8,g10,g9,g13,g11}，第二预设阈值可以设置为4，则可以将上述预测得到的轨迹点划分为子轨迹{g1,g3,g5,g4}，{g2,g7,g6,g8}，{g10,g9,g13,g11}，从而可以将子轨迹{g1,g3,g5,g4}中的轨迹点g1作为第一轨迹点，将轨迹点g3,g5,g4作为第二轨迹点，将子轨迹{g2,g7,g6,g8}中的轨迹点g2作为第一轨迹点，将轨迹点g7,g6,g8作为第二轨迹点，将子轨迹{g10,g9,g13,g11}中的轨迹点g10作为第一轨迹点，将轨迹点g9,g13,g11作为第二轨迹点，其他场景可以以此类推，在此不再一一举例。此外，预设划分方式还可以包括：子轨迹的数量在预设范围内，预设范围可以根据实际应用需要进行设置，例如，可以设置为3至30，即将第一轨迹点和位于第一轨迹点之后的顺序排列的第二轨迹点划分得到的若干段子轨迹的数量在3至30之间。例如，当满足预设结束条件时，第一轨迹点和位于第一轨迹点之后的顺序排列的第二轨迹点的总个数为100个，则可以将第1个轨迹点至第30个轨迹点划分为一段子轨迹，将第31个轨迹点至第60个轨迹点划分为一段子轨迹，将第61个轨迹点至第100个轨迹点划分为一段子轨迹，其他场景可以以此类推，在此不再一一举例。
步骤S13：确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数。
在一个实施场景中，具体可以采用预设参考时间参数，确定第一时间属性参数和第二时间属性参数。具体地，预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的。故此，能够使得第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数尽可能地贴近真实情况，从而能够有利于提高后续生成的预测轨迹数据的质量。
在一个具体的实施场景中，预设参考时间参数可以包括不同预设起始时间，第一轨迹点的第一时间属性参数可以包括经过第一轨迹点的途经时间，不同的预设起始时间可以是对样本轨迹数据进行统计得到的，则可以从不同预设起始时间中选取一个，作为经过第一轨迹点的途经时间。例如，对100个样本轨迹数据中的第一个轨迹点所对应的时间进行统计，得到多个不同的预设起始时间：8点、8点30、9点、9点30、10点、12点、15点、15点30、16点、17点、17点30、20点、20点30，则可以从中选取一个，作为经过第一轨迹点的途经时间。
在另一个具体的实施场景中，预设参考时间参数还可以包括不同预设轨迹点之间的行程时长，第二轨迹点的第二时间属性参数可以包括经过第二轨迹点的途经时间，不同预设轨迹点之间的行程时长可以是对样本轨迹数据进行统计得到的，具体地，可以是对样本轨迹数据中相邻轨迹点之间的行程时长进行统计而得到的，则可以从上述行程时长中查询与点对(如，第一轨迹点和与其相邻的第二轨迹点，相邻的第二轨迹点)匹配的行程时长，作为该点对之间的行程时长，然后再求得第二轨迹点的途经时间。例如，对100个样本轨迹数据中相邻轨迹点之间的行程时长进行统计，得到轨迹点01和轨迹点02之间的行程时长可以为5分钟、3分钟、7分钟，则为了便于表示，可以采用集合表示为pt01-02＝{5,3,7}，还得到轨迹点01和轨迹点03之间的行程时长可以为4分钟、5分钟、6分钟，则为了便于表示，可以采用集合表示为pt01-03＝{4,5,6}，上述举例仅仅为实际应用时可能存在的一种情况，其他情况可以以此类推，在此不再一一举例。则在第一轨迹点为轨迹点01，第二轨迹点为轨迹点02时，可以从pt01-02＝{5,3,7}中选取一个，作为第一轨迹点至第二轨迹点的行程时长，当选取5分钟作为第一轨迹点至第二轨迹点的行程时长且第一轨迹点的途经时间为8点时，可以确定与第一轨迹点相邻的第二轨迹点的途经时间为8点05分，以此类推，可以确定与途经时间为8点05分相邻的第二轨迹点的途经时间，以及之后的第二轨迹点的途经时间。
步骤S14：利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。
上述步骤中，对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，可以得到预测轨迹数据中不同轨迹点的空间属性，而确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数，可以得到预测轨迹数据中不同轨迹点的时间属性，从而利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，可以生成预测轨迹数据。在一个实施场景中，为了便于描述，可以采用集合的方式表示预测轨迹数据，例如，可以采用包含第一轨迹点和位于第一轨迹点之后的顺序排列的若干第二轨迹点的集合，表示预测轨迹数据的空间属性，如表示为trajspace＝{g1,g3,g5,g4,g2,g7,g6,g8,g10,g9,g13,g11}，可以采用第一轨迹点的途经时间和位于第一轨迹点之后的顺序排列的第二轨迹点的途经时间的集合，表示预测轨迹数据的时间属性，如表示为trajtime＝{8:00,8:05,8:15,8:20,8:40,9:00,9:35,9:40,10:10,10:15,10:30,10:35}。以上举例仅仅为实际应用时可能存在的一种情况，并不因此而限定其他可能存在的情况。
上述方案，在对应不同位置的多个预设轨迹点中，选出第一轨迹点，并对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，故能够确定一系列具有空间属性的轨迹点，并确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数，故能够确定这些轨迹点的时间属性，从而利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。故此，能够批量生成时空轨迹数据。
请参阅图2，图2是图1中步骤S13一实施例的流程示意图。具体而言，图2是利用预设参考时间参数，确定第一时间属性参数和第二属性参数的流程示意图，具体可以包括如下步骤：
步骤S131：将满足预设筛选条件的出现频次所对应的起始时间，作为第一轨迹点的途经时间。
本公开实施例中，预设参考时间参数包括不同预设起始时间和预设起始时间在样本轨迹数据中的出现频次，第一时间属性参数包括经过第一轨迹点的途经时间。
在一个实施场景中，不同预设起始时间可以是对样本轨迹数据进行统计得到的，具体可以参阅前述实施例中的相关描述，在此不再赘述。
在另一个实施场景中，可以统计样本轨迹数据的行程起始时间，具体可以统计样本轨迹数据中第一个轨迹点对应的时间，作为样本轨迹数据的行程起始时间，从而将行程起始时间的时间精度统一处理为预设精度(如，分)，作为预设起始时间，并统计行程起始时间的出现频次，作为对应预设起始时间的出现频次，例如，在总计100个行程起始时间中，8点出现了5次，则可以确定预设起始时间8点的出现频次为5％，或者，在总计100个行程起始时间中，9点出现了10次，则可以确认预设起始时间9点的出现频次为10％，其他情况可以以此类推，在此不再一一举例。在一个具体的实施场景中，为了便于描述，可以将不同预设起始时间的出现频次以集合形式表示为cnt＝{tc1,tc2,tc3,…,tck}，其中，k表示不同预设起始时间的总个数。在另一个具体的实施场景中，为了更加精确地确定不同预设起始时间及其出现频次，还可以对样本轨迹数据进行行程划分，得到至少一个样本行程数据，具体可以根据样本轨迹数据中相邻轨迹点之间的时间差进行划分，如时间差大于预设时间差阈值时，可以将相邻轨迹点对应划分至不同的样本行程数据中，预设时间差阈值可以根据实际应用需要进行设置，例如，可以设置为1小时、2小时等等，在此不做限定。在得到至少一个样本行程数据之后，可以统计样本行程数据的行程起始时间，具体可以统计样本行程数据中第一个轨迹点的时间，作为对应的行程起始时间。例如，样本轨迹数据Traj可以划分为多个样本行程数据：traj1,traj2,traj3,…,trajm，采用集合形式可以表示为Traj＝{traj1,traj2,traj3,…,trajm}，则可以统计多个样本行程数据traj1,traj2,traj3,…,trajm行程起始时间。在又一个具体的实施场景中，样本轨迹数据可能存在异常，例如，位置信息、时间信息缺失，在此情况下，在数据量充足的情况下，可以直接将其剔除。
在又一个实施场景中，可以获取一预设样本集合，且预设样本集合包含第一数量个不同数值，如预设样本结合采用集合形式可以表示为：space＝{1,2,3,4,5,6,…,M}，第一数量M大于预设起始时间的第二数量k，在一个具体的实施场景中，第一数量M可以远远大于第二数量k，例如，第一数量M的数倍于第二数量k。具体地，第一数量M可以10倍于第二数量k，如第一数量M可以为100，第二数量k可以为10；或者，第一数量M可以100倍于第二数量k，第一数量M可以为10000，第二数量k可以为100，在此不做限定。此后，可以从预设样本集合中随机选择一数值，并获取选择的数值与预设样本集合中最大的数值之间比值，从而将最接近于比值的出现频次所对应的起始时间作为经过第一轨迹点的途经时间。仍以上述预设样本集合space为例，选择的数值为2，M为1000，则比值为0.2％，则可以选择最接近于比值0.2％的出现频次所对应的起始时间，作为经过第一估计点的途经时间，其他情况可以以此类推，在此不再一一举例。
步骤S132：利用第一轨迹点的途经时间和第一轨迹点和与第一轨迹点相邻的第二轨迹点之间的第一耗时，以及相邻第二轨迹点之间的第二耗时，确定第二轨迹点的途经时间。
本公开实施例中，预设参考时间参数还包括不同预设轨迹点之间的行程时长，第二时间属性参数还包括经过第二轨迹点的途经时间。
本公开实施例中，不同预设轨迹点之间的行程时长是统计样本轨迹数据中包含于同一行程的相邻轨迹点之间的行程时长的得到的。例如，样本轨迹数据Traj可以划分为多个样本行程数据：traj1,traj2,traj3,…,trajm，则可以统计所有样本轨迹数据所包含的样本行程数据中相邻轨迹点之间的行程时长，如可以统计得到轨迹点01与轨迹点02之间的行程时长pt01-02＝{5,3,7}，可以统计得到轨迹点01与轨迹点03之间的行程时长pt01-03＝{4,5,6}等等，从而可以将不同预设轨迹点之间的行程时长采用集合形式表示为P2P＝{pt01-02,pt01-03,pt02-03,…,ptm-n}。
本公开实施例中，第一耗时和第二耗时是利用不同预设轨迹点之间的行程时长得到的。具体地，可以获取与第一轨迹点和与第一轨迹点相邻的第二轨迹点对应的点对所对应的行程时长，作为第一耗时，并获取与相邻的第二轨迹点对应的点对所对应的行程时长，作为第二耗时。例如，第一轨迹点为轨迹点01，与第一轨迹点相邻的第二轨迹点为轨迹点02，之后顺序排列的若干第二轨迹点分别为轨迹点04、轨迹点03，则可以从行程时长pt01-02＝{5,3,7}中选取一个行程时长，作为第一耗时，如可以选择5分钟作为第一耗时，则当第一轨迹点的途经时间为8点时，与第一轨迹点相邻的第二轨迹点的途经时间为8点05分，并可以从行程时长pt02-04中选取一个行程时长，作为第二耗时，并根据该第二耗时和轨迹点02的途经时间，确定轨迹点04的途经时间，并可以从行程时长pt03-04中选取一个行程时长，作为第二耗时，并根据该第二耗时和轨迹点04的途经时间，确定轨迹点03的途经时间。其他情况可以以此类推，在此不再一一举例。在一个具体的实施场景中，可以通过随机选择的方式，从与第一轨迹点和与第一轨迹点相邻的第二轨迹点对应的点对所对应的行程时长中选取一个作为第一耗时，以及从与相邻的第二轨迹点对应的点对所对应的行程时长中选取一个作为第二耗时。
区别于前述实施例，预设参考时间参数包括不同预设起始时间和预设起始时间在样本轨迹数据中的出现频次和不同预设轨迹点之间的行程时长，第一时间属性参数包括经过第一轨迹点的途经时间，而第二时间属性参数包括经过第二轨迹点的途经时间，从而将满足预设筛选条件的出现频次所对应的起始时间，作为第一轨迹点的途经时间，并利用第一轨迹点的途经时间和第一轨迹点和与第一轨迹点相邻的第二轨迹点之间的第一耗时，以及相邻第二轨迹点之间的第二耗时，确定第二轨迹点的途经时间，且第一耗时和第二耗时是利用不同预设轨迹点之间的行程时长得到的，不同预设轨迹点之间的行程时长是统计样本轨迹数据中包含于同一行程的相邻轨迹点之间的行程时长得到的，能够使得第一轨迹点和第二轨迹点的时间属性尽可能地贴近真实情况，提高生成的时空轨迹数据的质量。
请参阅图3，图3是本申请数据生成方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S31：对样本轨迹数据进行预处理。
样本轨迹数据是预先采集得到数据。本公开实施例中以及其他公开实施例中，样本轨迹数据为时空轨迹数据，可以包括：轨迹点的位置信息、时间信息和轨迹实体的属性信息等。对样本轨迹数据的预处理可以包括：剔除缺失位置信息和/或时间信息的样本轨迹数据。具体可以参阅前述公开实施例中的相关描述，在此不再赘述。
步骤S32：获取对应于不同位置的多个预设轨迹点，并对预处理后的样本轨迹数据进行行程划分，得到至少一个样本行程数据。
获取多个预设轨迹点的方式具体可以参阅前述公开实施例中的相关步骤，在此不再赘述。
对样本轨迹数据进行行程划分的方式具体可以参阅前述公开实施例中的相关描述，在此不再赘述。
步骤S33：对至少一个样本行程数据进行统计分析，得到预设参考时间参数。
本公开实施例中，预设参考时间参数包括：不同预设起始时间和预设起始时间在样本轨迹数据中的出现频次，以及不同预设轨迹点之间的行程时长。具体可以参阅前述公开实施例中的相关描述，在此不再赘述。
步骤S34：利用对应于不同位置的多个预设轨迹点和经行程划分的样本轨迹数据，对预测模型进行训练。
具体地，可以将样本轨迹数据经行程划分后所得到的行程轨迹数据中顺序排列的轨迹点左移一位，得到样本目标行程数据，并利用预测模型对样本行程数据进行轨迹预测，得到一样本预测行程数据，从而利用样本预测行程数据和样本目标行程数据之间的差异，调整预测模型的网络参数。具体可以参阅前述公开实施例中的相关描述，在此不再赘述。
步骤S35：在对应不同位置的多个预设轨迹点中，选出第一轨迹点。
具体可以参阅前述公开实施例中的相关步骤。
步骤S36：利用经训练的预测模型对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点。
具体可以参阅前述公开实施例中的相关步骤。
步骤S37：利用预设参考时间参数，确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数。
具体可以参阅前述公开实施例中的相关步骤。
步骤S38：利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。
具体可以参阅前述公开实施例中的相关步骤。
区别于前述实施例，对样本轨迹数据进行预处理，并获取对应于不同位置的多个预设轨迹点，并对预处理后的样本轨迹数据进行行程划分，得到至少一个样本行程数据，从而对至少一个样本行程数据进行统计分析，得到预设参考时间参数，并利用对应于不同位置的多个预设轨迹点和经行程划分的样本轨迹数据，对预测模型进行训练，从而在对应不同位置的多个预设轨迹点中，选出第一轨迹点，并利用预测模型对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，并利用预设参考时间参数，确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数，且预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的，从而利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据，由于利用预测模型对第一轨迹点进行轨迹预测，能够得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，故能够批量生成预测轨迹数据，且预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的，故第一轨迹点和第二轨迹点的第二时间属性参数能够尽可能地贴近真实情况，故此，能够生成数量多质量高的时空轨迹数据。
请参阅图4，图4是本申请数据生成装置40一实施例的框架示意图。数据生成装置40包括点位选择模块41、轨迹预测模块42、时间确定模块43和数据生成模块44，具体地，点位选择模块41用于在对应不同位置的多个预设轨迹点中，选出第一轨迹点；轨迹预测模块42用于对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点；时间确定模块43用于确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数；数据生成模块44用于利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。
上述方案，在对应不同位置的多个预设轨迹点中，选出第一轨迹点，并对第一轨迹点进行轨迹预测，得到位于第一轨迹点之后的顺序排列的若干第二轨迹点，故能够确定一系列具有空间属性的轨迹点，并确定第一轨迹点的第一时间属性参数和第二轨迹点的第二时间属性参数，故能够确定这些轨迹点的时间属性，从而利用第一轨迹点、第一时间属性参数和第二轨迹点、第二时间属性参数，生成预测轨迹数据。故此，能够批量生成时空轨迹数据。
在一些公开实施例中，时间确定模块43具体用于利用预设参考时间参数，确定第一时间属性参数和第二时间属性参数；其中，预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的。
区别于前述实施例，通过预设参考时间参数，确定第一时间属性参数和第二时间属性参数，且预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的，能够使得轨迹点的时间属性尽可能地贴近于真实情况，从而能够有利于提高后续生成的预测轨迹数据的质量。
在一些公开实施例中，预设参考时间参数包括不同预设起始时间和预设起始时间在样本轨迹数据中的出现频次，第一时间属性参数包括经过第一轨迹点的途经时间，时间确定模块43包括第一确定子模块，用于将满足预设筛选条件的出现频次所对应的起始时间，作为第一轨迹点的途经时间。
区别于前述实施例，将预设参考时间参数设置为包括不同预设起始时间和预设起始时间在样本轨迹数据中的出现频次，第一时间属性参数设置为包括经过第一轨迹点的途经时间，从而将满足预设筛选条件的出现频次所对应的起始时间，作为第一轨迹点的途经时间，能够使得第一轨迹点的途经时间尽可能地贴近真实情况，能够有利于提高时空轨迹数据的质量。
在一些公开实施例中，时间确定模块43还包括样本集合获取子模块，用于获取预设样本集合，且预设样本集合包含第一数量个不同数值，且第一数量大于不同预设起始时间的第二数量，时间确定模块43还包括比值计算子模块，用于从预设样本集合中随机选择一数值，并获取选择的数值与预设样本集合中最大的数值之间的比值，预设筛选条件包括：最接近于比值的出现频次所对应的起始时间。
区别于前述实施例，通过获取预设样本集合，且预设样本集合包含第一数量个不同数值，第一数量大于不同预设起始时间的第二数量，从而从预设样本集合中随机选择一数值，并获取选择的数值与预设样本集合中最大的数值之间的比值，并将预设筛选条件设置为包括：最接近于比值的出现频次所对应的起始时间，能够使得第一轨迹点的途经时间尽可能地贴近真实情况，能够有利于提高时空轨迹数据的质量。
在一些公开实施例中，时间确定模块43还包括起始时间统计子模块，用于统计样本轨迹数据的行程起始时间，并将行程起始时间的时间精度统一处理为预设精度，作为预设起始时间，时间确定模块43还包括出现频次统计子模块，用于统计行程起始时间的出现频次，作为对应预设起始时间的出现频次。
区别于前述实施例，通过统计样本轨迹数据的行程起始时间，并将行程起始时间的时间精度统一处理为预设精度，作为预设起始时间，并统计行程起始时间的出现频次，作为对应预设起始时间的出现频次，能够有利于使得第一轨迹点的途经时间尽可能地贴近真实情况，进而能够有利于提高时空轨迹数据的质量。
在一些公开实施例中，时间确定模块43还包括行程划分子模块，用于对样本轨迹数据进行行程划分，得到至少一个样本行程数据，起始时间统计子模块具体用于统计样本行程数据的行程起始时间。
区别于前述实施例，通过对样本轨迹数据进行行程划分，得到至少一个样本行程数据，从而统计样本行程数据的行程起始时间，能够有利于提高行程起始时间统计的准确性。
在一些公开实施例中，预设参考时间参数还包括不同预设轨迹点之间的行程时长，第二时间属性参数还包括经过第二轨迹点的途经时间，时间确定模块43还包括第二确定子模块，用于利用第一轨迹点的途经时间和第一轨迹点和与第一轨迹点相邻的第二轨迹点之间的第一耗时，以及相邻第二轨迹点之间的第二耗时，确定第二轨迹点的途经时间，且第一耗时和第二耗时是利用不同预设轨迹点之间的行程时长得到的，不同预设轨迹点之间的行程时长是统计样本轨迹数据中包含于同一行程的相邻轨迹点之间的行程时长得到的。
区别于前述实施例，预设参考时间参数设置为包括不同预设轨迹点之间的行程时长，第二时间属性参数设置为包括经过第二轨迹点的途经时间，从而利用第一轨迹点的途经时间和第一轨迹点和与第一轨迹点相邻的第二轨迹点之间的第一耗时，以及相邻第二轨迹点之间的第二耗时，确定第二轨迹点的途经时间，且第一耗时和第二耗时是利用不同预设轨迹点之间的行程时长得到的，不同预设轨迹点之间的行程时长是统计样本轨迹数据中包含于同一行程的相邻轨迹点之间的行程时长得到的，能够使得第二轨迹点的途经时间尽可能地贴近真实情况，能够有利于提高时空轨迹数据的质量。
在一些公开实施例中，轨迹预测模块42包括第一预测子模块，用于利用预测模型对第一轨迹点进行预测处理，得到位于第一轨迹点之后的第二轨迹点，轨迹预测模块42包括第二预测子模块，用于重复执行利用预测模型对第一轨迹点和第二轨迹点进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点的步骤，直至满足预设结束条件为止。
区别于前述实施例，通过利用预测模型对第一轨迹点进行预测处理，得到位于第一轨迹点之后的第二轨迹点，并重复执行利用预测模型对第一轨迹点和第二轨迹点进行预测处理，得到位于第一轨迹点之后的顺序排列的第二轨迹点的步骤，直至满足预设结束条件为止，能够有利于批量得到轨迹数据，故能够有利于提高时空轨迹数据的数量。
在一些公开实施例中，预设结束条件包括以下任一者：预测模型预测得到结束标志符，第一轨迹点和第二轨迹点的总个数大于第一预设阈值。
区别于前述实施例，通过将预设结束条件设置为包括以下任一者：预测模型预测得到结束标志符，第一轨迹点和第二轨迹点的总个数大于第一预设阈值，能够有利于触发结束轨迹预测流程，提高轨迹预测的鲁棒性。
在一些公开实施例中，轨迹预测模块42包括轨迹划分子模块，用于在第一轨迹点和第二轨迹点的总个数大于第二预设阈值时，按照预设划分方式，将第一轨迹点和位于第一轨迹点之后的顺序排列的第二轨迹点划分为若干段子轨迹，轨迹预测模块42包括点位确定子模块，用于将每段子轨迹中第一个轨迹点作为第一轨迹点，并将位于第一个轨迹点之后的轨迹点作为第二轨迹点。
区别于前述实施例，当第一轨迹点和第二轨迹点的总个数大于第二预设阈值，则按照预设划分方式时，将第一轨迹点和位于第一轨迹点之后的顺序排列的第二轨迹点划分为若干段子轨迹，并将每段子轨迹中第一个轨迹点作为第一轨迹点，并将位于第一个轨迹点之后的轨迹点作为第二轨迹点，能够有利于提高时空轨迹数据的质量。
在一些公开实施例中，数据生成装置40还包括样本目标获取模块，用于将样本轨迹数据中顺序排列的轨迹点左移一位，作为样本目标轨迹数据，数据生成装置40还包括样本预测模块，用于利用预测模型对样本轨迹数据进行轨迹预测，得到一样本预测轨迹数据，数据生成装置40还包括参数调整模块，用于利用样本预测轨迹数据和样本目标轨迹数据之间的差异，调整预测模型的网络参数。
区别于前述实施例，将样本轨迹数据中顺序排列的轨迹点左移一位，作为样本目标轨迹数据，并利用预测模型对样本轨迹数据进行轨迹预测，得到一样本预测轨迹数据，从而利用样本预测轨迹数据和样本目标轨迹数据之间的差异，调整预测模型的网络参数，能够将每一轨迹点的下一轨迹点作为该轨迹点的学习目标，从而能够提高预测模型的准确性，进而能够有利于提高轨迹预测的准确性。
请参阅图5，图5是本申请电子装置50一实施例的框架示意图。电子装置50包括相互耦接的存储器51和处理器52，存储器51存储有程序指令，处理器52用于执行程序指令以实现上述任一数据生成方法实施例中的步骤。具体地，电子装置50可以包括但不限于：服务器、微型计算机、笔记本电脑等，在此不做限定。
具体而言，处理器52用于控制其自身以及存储器51以实现上述任一数据生成方法实施例中的步骤。处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated 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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器52可以由多个集成电路芯片共同实现。
上述方案，能够批量生成时空轨迹数据。
请参阅图6，图6为本申请存储介质60一实施例的框架示意图。存储介质60存储有能够被处理器运行的程序指令601，程序指令601用于实现上述任一数据生成方法实施例中的步骤。
上述方案，能够批量生成时空轨迹数据。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (13)

1.一种数据生成方法，其特征在于，包括：
在对应不同位置的多个预设轨迹点中，选出第一轨迹点；
对所述第一轨迹点进行轨迹预测，得到位于所述第一轨迹点之后的顺序排列的若干第二轨迹点；
确定所述第一轨迹点的第一时间属性参数和所述第二轨迹点的第二时间属性参数；
利用所述第一轨迹点、所述第一时间属性参数和所述第二轨迹点、所述第二时间属性参数，生成预测轨迹数据。
2.根据权利要求1所述的方法，其特征在于，所述确定所述第一轨迹点的第一时间属性参数和所述第二轨迹点的第二时间属性参数，包括：
利用预设参考时间参数，确定所述第一时间属性参数和所述第二时间属性参数；
其中，所述预设参考时间参数是对采集得到的样本轨迹数据进行统计分析得到的。
3.根据权利要求2所述的方法，其特征在于，所述预设参考时间参数包括不同预设起始时间和所述预设起始时间在所述样本轨迹数据中的出现频次，所述第一时间属性参数包括经过所述第一轨迹点的途经时间；所述利用预设参考时间参数，确定所述第一时间属性参数和所述第二时间属性参数，包括：
将满足预设筛选条件的所述出现频次所对应的所述起始时间，作为所述第一轨迹点的途经时间。
4.根据权利要求3所述的方法，其特征在于，所述将满足预设筛选条件的所述出现频次所对应的所述起始时间，作为所述第一轨迹点的途经时间之前，所述方法还包括：
获取预设样本集合；其中，所述预设样本集合包含第一数量个不同数值，且所述第一数量大于所述不同预设起始时间的第二数量；
从所述预设样本集合中随机选择一数值，并获取选择的所述数值与所述预设样本集合中最大的数值之间的比值；
其中，所述预设筛选条件包括：最接近于所述比值的所述出现频次所对应的所述起始时间。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
统计所述样本轨迹数据的行程起始时间，并将所述行程起始时间的时间精度统一处理为预设精度，作为所述预设起始时间；以及，
统计所述行程起始时间的出现频次，作为对应所述预设起始时间的所述出现频次。
6.根据权利要求5所述的方法，其特征在于，所述统计所述样本轨迹数据的行程起始时间之前，所述方法还包括：
对所述样本轨迹数据进行行程划分，得到至少一个样本行程数据；
所述统计所述样本轨迹数据的行程起始时间，包括：
统计所述样本行程数据的行程起始时间。
7.根据权利要求3所述的方法，其特征在于，所述预设参考时间参数还包括不同所述预设轨迹点之间的行程时长，所述第二时间属性参数包括经过所述第二轨迹点的途经时间；所述将满足预设筛选条件的所述出现频次所对应的所述起始时间，作为所述第一轨迹点的途经时间之后，所述方法还包括：
利用所述第一轨迹点的途经时间和所述第一轨迹点和与所述第一轨迹点相邻的所述第二轨迹点之间的第一耗时，以及相邻所述第二轨迹点之间的第二耗时，确定所述第二轨迹点的途经时间；
其中，所述第一耗时和所述第二耗时是利用不同所述预设轨迹点之间的行程时长得到的，不同所述预设轨迹点之间的行程时长是统计所述样本轨迹数据中包含于同一行程的相邻轨迹点之间的行程时长得到的。
8.根据权利要求1所述的方法，其特征在于，所述对所述第一轨迹点进行轨迹预测，得到位于所述第一轨迹点之后的顺序排列的若干第二轨迹点，包括：
利用预测模型对所述第一轨迹点进行预测处理，得到位于所述第一轨迹点之后的所述第二轨迹点；
重复执行利用所述预测模型对所述第一轨迹点和所述第二轨迹点进行预测处理，得到位于所述第一轨迹点之后的顺序排列的所述第二轨迹点的步骤，直至满足预设结束条件为止。
9.根据权利要求8所述的方法，其特征在于，所述预设结束条件包括以下任一者：所述预测模型预测得到结束标志符，所述第一轨迹点和所述第二轨迹点的总个数大于第一预设阈值。
10.根据权利要求8所述的方法，其特征是在于，所述直至满足预设结束条件为止之后，所述方法还包括：
若所述第一轨迹点和所述第二轨迹点的总个数大于第二预设阈值，则按照预设划分方式，将所述第一轨迹点和位于所述第一轨迹点之后的顺序排列的所述第二轨迹点划分为若干段子轨迹；
将每段所述子轨迹中第一个轨迹点作为所述第一轨迹点，并将位于所述第一个轨迹点之后的轨迹点作为所述第二轨迹点。
11.根据权利要求8所述的方法，其特征在于，所述利用预测模型对所述第一轨迹点进行预测处理，得到位于所述第一轨迹点之后的所述第二轨迹点之前，所述方法还包括：
将样本轨迹数据中顺序排列的轨迹点左移一位，作为样本目标轨迹数据；以及，
利用所述预测模型对所述样本轨迹数据进行轨迹预测，得到一样本预测轨迹数据；
利用所述样本预测轨迹数据和所述样本目标轨迹数据之间的差异，调整所述预测模型的网络参数。
12.一种电子装置，其特征在于，包括相互耦接的存储器和处理器，所述存储器存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至11任一项所述的数据生成方法。
13.一种存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至11任一项所述的数据生成方法。
CN202010673870.0A 2020-07-14 2020-07-14 数据生成方法以及电子装置、存储介质 Active CN112000898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010673870.0A CN112000898B (zh) 2020-07-14 2020-07-14 数据生成方法以及电子装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010673870.0A CN112000898B (zh) 2020-07-14 2020-07-14 数据生成方法以及电子装置、存储介质

Publications (2)

Publication Number Publication Date
CN112000898A true CN112000898A (zh) 2020-11-27
CN112000898B CN112000898B (zh) 2024-07-16

Family

ID=73467659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010673870.0A Active CN112000898B (zh) 2020-07-14 2020-07-14 数据生成方法以及电子装置、存储介质

Country Status (1)

Country Link
CN (1) CN112000898B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113127591A (zh) * 2021-04-13 2021-07-16 河海大学 一种基于Transformer和LSTM的位置预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462190A (zh) * 2014-10-24 2015-03-25 中国电子科技集团公司第二十八研究所 一种基于海量空间轨迹挖掘的在线的位置预测方法
WO2016184076A1 (zh) * 2015-10-19 2016-11-24 中兴通讯股份有限公司 字符的输出方法及装置
CN106600052A (zh) * 2016-12-12 2017-04-26 西安交通大学 一种基于时空轨迹的用户属性与社会网络检测系统
JP2018160219A (ja) * 2017-03-24 2018-10-11 株式会社 日立産業制御ソリューションズ 移動経路予測装置、及び移動経路予測方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462190A (zh) * 2014-10-24 2015-03-25 中国电子科技集团公司第二十八研究所 一种基于海量空间轨迹挖掘的在线的位置预测方法
WO2016184076A1 (zh) * 2015-10-19 2016-11-24 中兴通讯股份有限公司 字符的输出方法及装置
CN106600052A (zh) * 2016-12-12 2017-04-26 西安交通大学 一种基于时空轨迹的用户属性与社会网络检测系统
JP2018160219A (ja) * 2017-03-24 2018-10-11 株式会社 日立産業制御ソリューションズ 移動経路予測装置、及び移動経路予測方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113127591A (zh) * 2021-04-13 2021-07-16 河海大学 一种基于Transformer和LSTM的位置预测方法
CN113127591B (zh) * 2021-04-13 2022-09-23 河海大学 一种基于Transformer和LSTM的位置预测方法

Also Published As

Publication number Publication date
CN112000898B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Ma et al. A hybrid CNN-LSTM model for aircraft 4D trajectory prediction
Petrangeli et al. Trajectory-based viewport prediction for 360-degree virtual reality videos
CN110766038B (zh) 无监督式的地貌分类模型训练和地貌图构建方法
CN107480028B (zh) 磁盘可使用的剩余时长的获取方法及装置
CN108460427B (zh) 一种分类模型训练方法、装置以及分类方法及装置
CN105513339B (zh) 一种车辆轨迹分析方法和设备
CN103747523A (zh) 一种基于无线网络的用户位置预测系统和方法
CN111126235A (zh) 一种船只违章停泊检测处理方法及装置
Sun et al. Physics-informed spline learning for nonlinear dynamics discovery
CN106156857B (zh) 变分推理的数据初始化的方法和装置
CN112000898A (zh) 数据生成方法以及电子装置、存储介质
CN114842546A (zh) 动作计数方法、装置、设备及存储介质
CN109558543A (zh) 一种样本采样方法、样本采样装置、服务器和存储介质
CN111611703B (zh) 基于数字孪生的沙盘推演方法、装置、设备和存储介质
CN110032437A (zh) 一种基于信息时效性的计算任务处理方法及装置
CN112819260B (zh) 预测航班延时状态的数据处理系统
CN106056254B (zh) 一种计及出力水平影响的风电预测误差模拟方法
CN115438453B (zh) 一种利用观测数据构建路网设施拓扑结构的方法
CN113128696A (zh) 分布式机器学习通信优化方法、装置、服务器及终端设备
CN116668321A (zh) 网络流量预测方法、装置、设备和存储介质
CN109753585A (zh) 一种推荐视频的确定方法、装置、电子设备及存储介质
CN114234975B (zh) 低频的实时轨迹匹配方法、系统、计算机设备及存储介质
CN115861665A (zh) 目标检测网络训练中候选框匹配方法、装置、设备及介质
CN115222773A (zh) 单点运动学习方法及装置
CN112733681A (zh) 图像处理方法、模型训练方法、装置、设备和存储介质

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