CN113312596A - 一种基于深度学习和异步轨迹数据的用户身份识别方法 - Google Patents
一种基于深度学习和异步轨迹数据的用户身份识别方法 Download PDFInfo
- Publication number
- CN113312596A CN113312596A CN202110648737.4A CN202110648737A CN113312596A CN 113312596 A CN113312596 A CN 113312596A CN 202110648737 A CN202110648737 A CN 202110648737A CN 113312596 A CN113312596 A CN 113312596A
- Authority
- CN
- China
- Prior art keywords
- data
- asynchronous
- track
- track data
- user identity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000013144 data compression Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 30
- 230000000306 recurrent effect Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 11
- 238000005070 sampling Methods 0.000 abstract description 8
- 238000007796 conventional method Methods 0.000 abstract 1
- 125000004122 cyclic group Chemical group 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2111—Location-sensitive, e.g. geographical location, GPS
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习和异步轨迹数据的用户身份识别方法，包括以下步骤：对待识别的异步轨迹数据进行预处理后输入到用户身份识别模型中对用户身份进行识别。模型使用融合双向循环神经网络对用户身份进行识别，具体如下：将超长轨迹序列输入到一维卷积层进行数据压缩；将数据压缩序列输入到一维池化层进行特征提取得到短序列；将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；将时间正序、逆序方向的轨迹特征进行合并后输入到全连接层，输出合并后的轨迹特征所对应的用户身份识别号。本发明可以解决已有方法精度受限、轨迹数据特征构建存在主观性、大规模轨迹数据采样间隔不均衡及样本序列不定长的技术问题。
Description
技术领域
本发明涉及用户身份识别技术领域，具体涉及一种基于深度学习和异步轨迹数据的用户身份识别方法。
背景技术
身份识别是指确定用户的身份，即利用现有的数据和信息，确定某个特定对象“你是谁”的问题。常见的身份识别方式包括指纹识别、人脸识别等生物特征识别，而随着GPS、蜂窝通信网络基站定位等位置服务的大众化和普及，用户手机可以记录个人实时行为活动轨迹。必要情况下，利用这些个人行为空间信息锁定用户身份ID，了解其活动规律，可以为疫情防控、社会安全治理提供重要的信息支持。
由于人们的生活习惯、行为模式等具有一定的周期性，其移动轨迹也呈现出周期规律性，且不同用户的移动轨迹往往具有独特性，根据这些时空特征可以实现用户身份的识别。在现有技术中，进行用户身份匹配时，通常先计算其轨迹间的相似度，将相似度最大的结果认为是匹配的结果。但是，现有方法在计算相似度时通常将原始轨迹转化为地理空间或者时空维度中的序列，对这些序列进行特征提取和计算，例如通过其对某地理位置访问频率、序列间距离等，来计算序列之间的相似度，常见的相似度度量方法如余弦相似度、欧式距离、相关系数、基于信号传播的相似度等等。但这些方法在表达轨迹和计算相似度时带有较强主观性，轨迹数据采样间隔不均衡、样本序列不定长从而造成处理过程较为复杂，不利于大数据处理。
发明内容
针对现有技术存在的不足，本发明提出一种基于深度学习和异步轨迹数据的用户身份识别方法，可以解决已有方法精度受限、轨迹数据特征构建存在主观性、大规模轨迹数据采样间隔不均衡及样本序列不定长的技术问题。
本发明采用的技术方案如下：
第一方面，提供了一种基于深度学习和异步轨迹数据的用户身份识别方法；
在第一种可实现方式中，包括以下步骤：
对待识别的异步轨迹数据进行预处理；
将通过预处理的待识别异步轨迹数据输入到用户身份识别模型中，对用户身份进行识别；所述用户身份识别模型使用融合双向循环神经网络构建得到。
结合第一种可实现方式，在第二种可实现方式中，用户身份识别模型使用融合双向循环神经网络对用户身份进行识别，具体如下：
将超长轨迹序列输入到一维卷积层进行数据压缩，得到数据压缩序列；
将数据压缩序列输入到一维池化层进行特征提取，得到短序列；
将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；
将时间正序方向、时间逆序方向的轨迹特征进行合并，输入到全连接层；
由全连接层输出合并后的轨迹特征所对应的用户身份识别号。
由上述技术方案可知，本发明的有益技术效果如下：
结合一维卷积神经网络和单向门控循环单元神经网络两者优势，先使用一维卷积神经网络压缩输入序列，提取高维特征，再利用双向门控循环单元分别从正序和逆序两个方向分别学习特征，充分捕捉各时间步的远程依赖性，构建的用户身份识别模型集精度和效率于一体，可以很好地实现用户身份识别；在一定程度上克服了轨迹数据采样间隔不均衡、特征选择主观性强、样本序列不定长等问题。
结合第一种可实现方式，在第三种可实现方式中，训练融合双向循环神经网络构建用户身份识别模型，具体如下：
使用原始异步轨迹数据构建数据集，数据集包括训练集、验证集和测试集；
使用训练集对融合双向循环神经网络进行训练，更新融合双向循环神经网络参数；
使用验证集对经过训练的融合双向循环神经网络进行验证，融合双向循环神经网络收敛；
使用测试集对收敛后的融合双向循环神经网络进行测试，确定融合双向循环神经网络最优超参数，得到用户身份识别模型。
结合第三种可实现方式，在第四种可实现方式中，使用原始异步轨迹数据构建数据集具体如下：
原始异步轨迹数据进行清洗去噪，得到第一异步轨迹数据；
对第一异步轨迹数据进行维度一致性处理，得到第二异步轨迹数据；
将第二异步轨迹数据按自然日进行划分，得到第三异步轨迹数据；
对第三异步轨迹数据进行归一化处理，得到第四异步轨迹数据；
将第四异步轨迹数据划分为训练集、验证集和测试集。
结合第四种可实现方式，在第五种可实现方式中，对原始异步轨迹数据使用速度阈值法进行清洗去噪，若某一轨迹点与其相邻轨迹点间的速度超过整条轨迹两点间速度的三倍中误差，则认为该轨迹点为噪声点。
结合第四种可实现方式，在第六种可实现方式中，对第一异步轨迹数据进行维度一致性处理，包括：对轨迹点密集区域数据进行抽稀下采样，对轨迹点稀疏区域数据进行线性插值，对轨迹点缺失区数据用0值填充。
由上述技术方案可知，本发明的有益技术效果如下：经上述技术方案处理后的原始异步轨迹数据，可以克服受GPS信号和定位精度等影响，原始数据存在位置漂移、采样频率不均、数据缺失等问题，以优化神经网络的训练效果
结合第三种可实现方式，在第七种可实现方式中，训练融合双向循环神经网络时，训练轮数设为500，，dropout比率设为0.35，初始学习率取0.01，衰减系数取0.005。
结合第三种可实现方式，在第八种可实现方式中，融合双向循环神经网络最优超参数如下：
层数为5层；一维卷积层和双向门控循环单元的神经元均为128个，全连接层神经元为122个；一维卷积层的激活函数为RELU，全连接层的激活函数为Softmax；损失函数为分类交叉熵。
结合第一种可实现方式，在第九种可实现方式中，对待识别的异步轨迹数据进行预处理，具体如下：
对待识别的异步轨迹数据依次进行清洗去噪、维度一致性处理、按自然日进行划分、归一化处理。
第二方面，提供了一种电子设备，在第十种可实现方式中，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一到第九任意一种可实现方式提供的基于深度学习和异步轨迹数据的用户身份识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例1的用户身份识别模型构建及用户身份识别方法流程示意图；
图2为本发明实施例1的融合双向循环神经网络结构示意图；
图3为本发明实施例1的异步轨迹数据集构建流程示意图；
图4为本发明实施例1的不同用户的轨迹示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
轨迹是一系列轨迹点形成的序列{P1,P2,...,Pn}。每个轨迹点Pi是移动设备根据时间间隔记录的GPS坐标点，包含3个特征，Pi＝(xi,yi,ti)，其中(xi，yi)为点Pi的经纬度坐标，ti为设备记录坐标(xi，yi)的时间戳。异步则表示各用户分别在不同时间下采集轨迹数据，通常相隔数天或数月不等，因此异步轨迹数据的规律性相对来说更加难以归纳。
利用异步轨迹数据识别用户身份ID，是将一条未知身份ID的轨迹与多条不同时间采集的已知身份轨迹进行相似性匹配，若两条轨迹具有最大相似度，则认为这两条轨迹属于同一用户，以此实现用户身份识别。在本实施例中，如图1所示，首先使用融合双向循环神经网络构建用户身份识别模型，然后将待识别的异步轨迹数据输入到用户身份识别模型对用户身份进行识别，具体如下：
1、构建基于融合双向循环神经网络的用户身份识别模型
在本实施例中，选用融合双向循环神经网络，将神经网络经过训练后得到用户身份识别模型。如图2所示，用户身份识别模型使用融合双向循环神经网络对用户身份进行识别，具体如下：
首先用一维卷积层将输入的超长轨迹序列进行数据压缩，得到数据压缩序列；然后用一维池化层对数据压缩序列进行特征提取，得到短序列。通过一维卷积层和一维池化层可将超长轨迹序列转化为高级特征组成的短序列。
再将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；
再将时间正序方向、时间逆序方向的轨迹特征进行合并，输入到全连接层；
最后由全连接层输出该条轨迹特征所属的用户身份识别号。
在对融合双向循环神经网络进行训练时，如图3所示，训练所使用的数据集构建方法具体如下：
首先使用速度阈值法对原始异步轨迹数据进行清洗去噪，得到第一异步轨迹数据。在具体的实施方式中，若某一轨迹点与其相邻轨迹点间的速度超过整条轨迹两点间速度的三倍中误差，则认为该轨迹点为噪声点，剔除该条记录。
然后对第一异步轨迹数据进行维度一致性处理，包括对轨迹点密集区域数据进行抽稀下采样，对轨迹点稀疏区域数据进行线性插值，对轨迹点缺失区数据用0值填充，得到第二异步轨迹数据。在具体的实施方式中，原始异步轨迹数据的轨迹点采样间隔一般为1秒钟至10分钟不等，为了保证样本维度一致性，将所有轨迹均以某一固定的时间间隔，比如1分钟为时间间隔，对轨迹点密集区域进行下采样，对轨迹点稀疏区域进行线性插值处理，实现原始异步轨迹数据的抽稀和加密；对于长时间缺失记录均用“0”值填充。通过上述方法，可以确保每分钟有且仅有一条位置数据，且各序列的维度得到统一，即一个输入序列为某用户一天00:00-24:00的轨迹点坐标序列，每个样本的长度均为24h×60min＝1440。
再对第二异步轨迹数据进行样本特征构建。样本特征构建时，首先将第二异步轨迹数据按自然日进行划分得到第三异步轨迹数据。在具体的实施方式中，为了让融合双向循环神经网络能够全面地学习用户轨迹，除了原始轨迹数据包含的经度、纬度、时间三个属性，再加入“星期”、“是否节假日”两个属性，构建样本特征，“星期”取值整数0-6分别表示周一至周日，“是否节假日”取0或1。
样本特征构建时，再对第三异步轨迹数据进行归一化处理，得到第四异步轨迹数据。由于各特征的取值范围有较大的差异，直接输入融合双向循环神经网络会导致其学习困难，因此需要对每个特征进行归一化处理。归一化处理时按以下公式进行计算：
在上式(1)、(2)、(3)中，m为样本个数；xi为原特征取值，xi-norm为归一化后特征取值，μ为均值，σ为方差。经上述技术方案处理后的原始异步轨迹数据，可以克服受GPS信号和定位精度等影响，原始数据存在位置漂移、采样频率不均、数据缺失等问题，以优化神经网络的训练效果。
最后将第四异步轨迹数据划分为训练集、验证集和测试集。在具体的实施方式中，按照6∶2∶2的比例将输入样本数据集划分为训练集、验证集和测试集，融合双向循环神经网络从训练集中学习数据特征，更新融合双向循环神经网络参数W和b；并根据融合双向循环神经网络在验证集上的表现优化学习率、神经元数量等超参数，提升模型性能；融合双向循环神经网络收敛后，用测试集对神经网络进行最终的评估。
使用前文提供的方法构建得到的数据集对融合双向循环神经网络进行训练，训练轮数设为500epoch，在正向传播过程中，使用dropout防止神经网络过拟合，dropout比率设为0.35；初始学习率取0.01，衰减系数取0.005，之后每轮神经网络学习率按公式(4)衰减。
在上式(4)中，α0为初始学习率；decayrate为学习率衰减率，epoch为训练轮数。
训练后得到的融合双向循环神经网络，层数一共为5层，一维卷积层和双向门控循环单元的神经元都是128个，全连接层神经元是122个。一维卷积层的激活函数为RELU，全连接层的激活函数为Softmax。损失函数为分类交叉熵。在反向传播过程中使用RMSprop梯度优化算法。
按上述方式对融合双向循环神经网络进行训练，可以得到用户身份识别模型。在训练初期加快效率，在训练后期减小波动，从而更好地逼近最优解；模型训练采用分类交叉熵作为损失函数，使用RMSprop梯度优化算法在反向传播过程中修正训练时的摆动幅度，可加快神经网络收敛速度。
2、对待识别的异步轨迹数据进行预处理
对异步轨迹数据进行预处理的方法，与前文中训练融合双向循环神经网络时，使用的数据集构建方法的部分步骤一致。具体如下：
首先使用速度阈值法对待识别的异步轨迹数据进行清洗去噪，得到第一异步轨迹数据。
然后对第一异步轨迹数据进行维度一致性处理，包括对轨迹点密集区域数据进行抽稀下采样，对轨迹点稀疏区域数据进行线性插值，对轨迹点缺失区数据用0值填充，得到第二异步轨迹数据。
再对第二异步轨迹数据进行样本特征构建，包括将第二异步轨迹数据按自然日进行划分得到第三异步轨迹数据。
最后对第三异步轨迹数据进行特征构建及归一化处理，得到第四异步轨迹数据，第四异步轨迹数据即为经过预处理的异步轨迹数据。
3、将通过预处理的待识别异步轨迹数据输入到用户身份识别模型中，对用户身份进行识别
将通过预处理的待识别异步轨迹数据，即上一步骤中的第四异步轨迹数据输入到用户身份识别模型，对用户身份进行识别。
以下举例对实施例工作原理及效果进行说明：
GeoLife是微软亚洲研究院搜集的真实轨迹数据集，记录了来自中国、美国、欧洲共182名用户5年内的轨迹数据，共有18670条轨迹信息，其中绝大多数来自于中国北京市用户。为了验证方法的有效性，在本实施例中使用分布密集的北京市用户轨迹，删除轨迹记录小于10条的用户，并按一天1440分钟处理、整合所有数据形成最终试验数据集，包含122名用户的10837个异步轨迹样本。
不同轨迹会呈现周期性规律，图4(a)和图4(b)分别为10号和0号用户的轨迹。若一未知身份轨迹在北京和天津两地往返，则可以识别其为10号用户；同理，若该轨迹在北京市朝阳区、海淀区和东城区附近活动，则可以识别其为0号用户。将测试集用于神经网络测试，本实施例的用户身份识别模型的识别精度达到97.28％。
为更好地验证本研究所提出的融合双向循环神经网络用于用户轨迹身份识别的质量，利用相同试验数据分别对一维卷积神经网络和单向门控循环单元神经网络模型作试验对比，测评结果见表1。
表1各模型识别精度对比结果
从上表可以看出，一维卷积神经网络虽然训练效率高，但由于每个轨迹样本过长，模型难以捕捉输入序列特征，由此忽略了很多重要信息；而单向门控循环单元神经网络虽然能够学习到一定的特征，但难以综合考虑长时间序列中各时间步之间的远程依赖性，且训练效率低。
本实施例的技术方案，结合一维卷积神经网络和单向门控循环单元神经网络两者优势，先使用一维卷积神经网络压缩输入序列，提取高维特征，再利用双向门控循环单元分别从正序和逆序两个方向分别学习特征，充分捕捉各时间步的远程依赖性，构建的用户身份识别模型集精度和效率于一体，可以很好地实现用户身份识别；可以解决已有方法精度受限、轨迹数据特征构建存在主观性、大规模轨迹数据采样间隔不均衡及样本序列不定长的技术问题。
实施例2
提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现实施例1中提供的基于深度学习和异步轨迹数据的用户身份识别方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，包括以下步骤：
对待识别的异步轨迹数据进行预处理；
将通过预处理的待识别异步轨迹数据输入到用户身份识别模型中，对用户身份进行识别；所述用户身份识别模型使用融合双向循环神经网络构建得到。
2.根据权利要求1所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，用户身份识别模型使用融合双向循环神经网络对用户身份进行识别，具体如下：
将超长轨迹序列输入到一维卷积层进行数据压缩，得到数据压缩序列；
将数据压缩序列输入到一维池化层进行特征提取，得到短序列；
将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；
将时间正序方向、时间逆序方向的轨迹特征进行合并，输入到全连接层；
由全连接层输出合并后的轨迹特征所对应的用户身份识别号。
3.根据权利要求1所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，训练融合双向循环神经网络构建用户身份识别模型，具体如下：
使用原始异步轨迹数据构建数据集，所述数据集包括训练集、验证集和测试集；
使用训练集对融合双向循环神经网络进行训练，更新融合双向循环神经网络参数；
使用验证集对经过训练的融合双向循环神经网络进行验证，融合双向循环神经网络收敛；
使用测试集对收敛后的融合双向循环神经网络进行测试，确定融合双向循环神经网络最优超参数，得到用户身份识别模型。
4.根据权利要求3所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，使用原始异步轨迹数据构建数据集具体如下：
原始异步轨迹数据进行清洗去噪，得到第一异步轨迹数据；
对第一异步轨迹数据进行维度一致性处理，得到第二异步轨迹数据；
将第二异步轨迹数据按自然日进行划分，得到第三异步轨迹数据；
对第三异步轨迹数据进行归一化处理，得到第四异步轨迹数据；
将第四异步轨迹数据划分为训练集、验证集和测试集。
5.根据权利要求4所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，对原始异步轨迹数据使用速度阈值法进行清洗去噪，若某一轨迹点与其相邻轨迹点间的速度超过整条轨迹两点间速度的三倍中误差，则认为该轨迹点为噪声点。
6.根据权利要求4所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，对第一异步轨迹数据进行维度一致性处理，包括：对轨迹点密集区域数据进行抽稀下采样，对轨迹点稀疏区域数据进行线性插值，对轨迹点缺失区数据用0值填充。
7.根据权利要求3所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，训练融合双向循环神经网络时，训练轮数设为500，dropout比率设为0.35，初始学习率取0.01，衰减系数取0.005。
8.根据权利要求3所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，融合双向循环神经网络最优超参数如下：
层数为5层；一维卷积层和双向门控循环单元的神经元均为128个，全连接层神经元为122个；一维卷积层的激活函数为RELU，全连接层的激活函数为Softmax；损失函数为分类交叉熵。
9.根据权利要求1所述的基于深度学习和异步轨迹数据的用户身份识别方法，其特征在于，对待识别的异步轨迹数据进行预处理，具体如下：
对待识别的异步轨迹数据依次进行清洗去噪、维度一致性处理、按自然日进行划分、归一化处理。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-9中任一所述的基于深度学习和异步轨迹数据的用户身份识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648737.4A CN113312596B (zh) | 2021-06-10 | 2021-06-10 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648737.4A CN113312596B (zh) | 2021-06-10 | 2021-06-10 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113312596A true CN113312596A (zh) | 2021-08-27 |
| CN113312596B CN113312596B (zh) | 2023-04-07 |
Family
ID=77378074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110648737.4A Active CN113312596B (zh) | 2021-06-10 | 2021-06-10 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113312596B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114827902A (zh) * | 2022-03-09 | 2022-07-29 | 中国科学院软件研究所 | 一种基于移动轨迹的身份认证方法及系统 |
| CN116484309A (zh) * | 2023-03-09 | 2023-07-25 | 重庆市规划和自然资源信息中心 | 户籍人口数据与不动产登记数据融合方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2153347T3 (es) * | 1989-10-11 | 2001-03-01 | Marconi Comm Ltd | Metodo y aparato para identificar celdas validas en una unidad de combinacion de trayectorias redundantes de un conmutador de modo de transferencia asincrona. |
| CN107294445A (zh) * | 2016-04-05 | 2017-10-24 | 施耐德东芝换流器欧洲公司 | 用于控制异步电机的方法 |
| CN108304757A (zh) * | 2017-06-16 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 身份识别方法及装置 |
| CN108536851A (zh) * | 2018-04-16 | 2018-09-14 | 武汉大学 | 一种基于移动轨迹相似度比较的用户身份识别方法 |
| EP3451525A1 (fr) * | 2017-09-01 | 2019-03-06 | Schneider Toshiba Inverter Europe SAS | Procédé d'identification des paramètres de saturation magnétique d'un moteur électrique asynchrone |
| CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
| CN110598703A (zh) * | 2019-09-24 | 2019-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
| CN110796040A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 一种基于多元空间轨迹关联的行人身份识别方法 |
| EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
| CN112215196A (zh) * | 2020-10-26 | 2021-01-12 | 杭州电子科技大学 | 一种心电身份识别方法 |
-
2021
- 2021-06-10 CN CN202110648737.4A patent/CN113312596B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2153347T3 (es) * | 1989-10-11 | 2001-03-01 | Marconi Comm Ltd | Metodo y aparato para identificar celdas validas en una unidad de combinacion de trayectorias redundantes de un conmutador de modo de transferencia asincrona. |
| CN107294445A (zh) * | 2016-04-05 | 2017-10-24 | 施耐德东芝换流器欧洲公司 | 用于控制异步电机的方法 |
| CN108304757A (zh) * | 2017-06-16 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 身份识别方法及装置 |
| EP3451525A1 (fr) * | 2017-09-01 | 2019-03-06 | Schneider Toshiba Inverter Europe SAS | Procédé d'identification des paramètres de saturation magnétique d'un moteur électrique asynchrone |
| CN108536851A (zh) * | 2018-04-16 | 2018-09-14 | 武汉大学 | 一种基于移动轨迹相似度比较的用户身份识别方法 |
| EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
| CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
| CN110598703A (zh) * | 2019-09-24 | 2019-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
| CN110796040A (zh) * | 2019-10-15 | 2020-02-14 | 武汉大学 | 一种基于多元空间轨迹关联的行人身份识别方法 |
| CN112215196A (zh) * | 2020-10-26 | 2021-01-12 | 杭州电子科技大学 | 一种心电身份识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| MENGJUN QI等: "IDENTIFYING USERS BY ASYNCHRONOUS MOBILITY TRAJECTORIES", 《IGARSS 2019-2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 刘奇旭等: "基于双向循环神经网络的安卓浏览器指纹识别方法", 《计算机研究与发展》 * |
| 戴亮亮: "基于视觉的乒乓球及击球人识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114827902A (zh) * | 2022-03-09 | 2022-07-29 | 中国科学院软件研究所 | 一种基于移动轨迹的身份认证方法及系统 |
| CN116484309A (zh) * | 2023-03-09 | 2023-07-25 | 重庆市规划和自然资源信息中心 | 户籍人口数据与不动产登记数据融合方法 |
| CN116484309B (zh) * | 2023-03-09 | 2023-09-29 | 重庆市规划和自然资源信息中心 | 户籍人口数据与不动产登记数据融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113312596B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107529222B (zh) | 一种基于深度学习的WiFi室内定位系统 | |
| CN111488984B (zh) | 一种用于训练轨迹预测模型的方法和轨迹预测方法 | |
| CN113312596B (zh) | 一种基于深度学习和异步轨迹数据的用户身份识别方法 | |
| CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
| CN111310833B (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
| CN105488211A (zh) | 基于特征分析的用户群确定方法 | |
| CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
| CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
| CN107729363A (zh) | 基于GoogLeNet网络模型鸟类种群识别分析方法 | |
| CN109886334A (zh) | 一种隐私保护的共享近邻密度峰聚类方法 | |
| CN105512301A (zh) | 基于社交内容的用户分组方法 | |
| Zhu et al. | Adversarial anomaly detection for marked spatio-temporal streaming data | |
| CN110990678B (zh) | 基于增强型循环神经网络的轨迹相似性计算方法 | |
| CN110502919B (zh) | 一种基于深度学习的轨迹数据去匿名方法 | |
| CN116340524A (zh) | 一种基于关系自适应网络的小样本时态知识图谱补全方法 | |
| Kim et al. | A daily tourism demand prediction framework based on multi-head attention CNN: The case of the foreign entrant in South Korea | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN113536373A (zh) | 一种脱敏气象数据的生成方法 | |
| CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
| CN116776014A (zh) | 多源轨迹数据表示方法及装置 | |
| CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
| Meng et al. | Gru and multi-autoencoder based insider threat detection for cyber security | |
| CN112040408B (zh) | 一种适用于监管场所的多目标精确智能定位跟踪方法 | |
| CN116012877A (zh) | 一种基于注意力机制的毫米波雷达3d点云人体姿态识别方法 | |
| CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240318 Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000 Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center) Country or region after: China Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing Patentee before: CHONGQING SURVEY INSTITUTE Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240320 Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000 Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center) Country or region after: China Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing Patentee before: CHONGQING SURVEY INSTITUTE Country or region before: China |