CN114328791B - 一种基于深度学习的地图匹配算法 - Google Patents

Abstract

本发明涉及地图匹配技术领域，具体为一种基于深度学习的地图匹配算法，包括四个组件和两个工作步骤，所述四个组件包括轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件；所述两个工作步骤包括离线训练和在线推理，离线训练步骤中，四个组件协同工作以训练用于地图匹配的深度模型，在线推理步骤中，输入基于点的轨迹推断生成真实的驾驶路线。本模型通过轨迹表示学习解决低频轨迹数据质量较差的问题，利用模式识别和挖掘以更具成本效益的方式推断驾驶路线，提高地图匹配的性能。

Description

一种基于深度学习的地图匹配算法

技术领域

本发明涉及地图匹配技术领域，具体为一种基于深度学习的地图匹配算法。

背景技术

近年来，GPS轨迹大数据的可用性和应用越来越多，如轨迹相似度计算、轨迹聚类、兴趣点(point of interest,POI)推荐和人类移动性理解。

一个普遍存在但尚未被解决得很好的问题是如何从低频率的GPS轨迹中得到真实的驾驶路径，也称为地图匹配。然而，受到多方面因素的影响，低频率的GPS轨迹通常存在三个关键问题，即噪声、低频和非均匀性。例如，城市环境中的高楼大厦遮挡GPS卫星信号，导致了定位误差，使得GPS轨迹存在噪声；由于受到能耗和传输带宽的限制，现有的GPS定位设备常以低频率的方式进行采样(通常采样间隔大于30秒)；不同的GPS设备设置和不可预测的通信故障导致采样时间间隔不均匀。综上所述，现有的地图匹配算法很难处理低频率的GPS轨迹，无法达到令人满意的匹配效果。

发明内容

本发明的技术问题在于现有的地图匹配算法无法对低质量的轨迹数据(即存在噪声、低频和非均匀性)实现令人满意的匹配性能。

本发明提供的基础方案：一种基于深度学习的地图匹配算法，应用了轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件，包括离线训练步骤和在线推理步骤：

离线训练：将训练数据集中基于点的轨迹转换为基于网格的轨迹；通过轨迹表示学习与增强组件将基于网格的轨迹转化成潜在空间中轨迹的表示向量；根据模式识别与挖掘组件来对潜在空间中轨迹的表示向量进行移动模式识别和挖掘，规整潜在空间中轨迹的表示向量的分布；将潜在空间中的轨迹输入到轨迹匹配与生成组件中，解码生成相应的基于路段的轨迹；将基于路段的轨迹、真实驾驶路径、轨迹的表示向量和潜在空间中的移动模式输入到联合优化组件中，对轨迹表示学习与增强组件、模式识别与挖掘组件和轨迹匹配与生成组件的参数更新，经过若干次迭代学习后得到训练好的深度模型；

在线推理：基于点的轨迹输入到训练好的深度模型中；将基于点的轨迹转化为基于网格的轨迹；将基于网格的轨迹输入到轨迹表示学习与增强组件中获得潜在空间中轨迹的表示向量；将该表示向量传输至轨迹匹配与生成组件中，生成基于路段的轨迹，从而获得地图匹配结果。

本发明的原理及优点在于：本方案中，采用深度学习模型来学习从基于位置点的轨迹到相应驾驶路径的映射。首先，将基于位置点的轨迹转换为潜在空间中的表示向量，然后对表示向量进行解码从而生成驾驶路径。通过轨迹表示学习与增强组件能够获得高质量的低频轨迹的表示向量，增强了低频轨迹表征的表达能力，提高了地图匹配的性能。通过模式识别与挖掘发现潜在空间中轨迹表示向量隐藏的典型移动模式，将移动模式包含的先验知识引入到地图匹配任务中，提升地图匹配效果。

进一步，所述轨迹表示学习与增强组件中包括轨迹表示学习模块和轨迹表示增强模块：

轨迹表示学习模块用于将地理空间中基于点的轨迹转换为潜在空间中轨迹的表示向量；

轨迹表示增强模块用于借助低频轨迹相应的高频轨迹来增强低频轨迹在潜在空间中的表示向量的语义表达能力；并通过约束潜在空间中表示向量的数据分布来增强表示向量的泛化能力。

有益效果：现有的表示学习技术，生成的表示向量往往受限于轨迹的数据质量或训练数据的大小。低频率的GPS轨迹数据质量较差，数据规模较小，使得生成的轨迹表示向量的表征能力往往不如人意。低频率的GPS轨迹数据非常稀疏且嘈杂，两个连续GPS位置点之间存在不确定性，无法准确获知其真实的移动路径。轨迹中的巨大不确定性导致了语义表示不明确，破坏了潜在空间中表示向量的表达能力。另外，有限的轨迹数据使得模型训练不充分，削弱了表示向量的泛化能力。因此，本方案提出的两种增强轨迹表示能力的方法，在不增加训练数据的情况下，借助高频轨迹中丰富的语义信息增强表示向量的语义表征能力，通过约束潜在空间中表示向量的数据分布增强轨迹表示向量的泛化能力，获得高质量的表示向量，从而提高地图匹配性能。

进一步，所述模式识别与挖掘组件用于识别和挖掘隐藏在轨迹表示向量中的移动模式。

有益效果：轨迹数据记录了用户在城市道路网络上的出行行为。它包含了城市中用户的移动规律，如常用路线、不同用户群体的偏好等。同时，也暗示了城市路网的道路布局。例如，市内有专用公路、环城公路、机场高速公路等。本方案通过模式识别与挖掘发现经典的移动模式，其典型的模式将其引入到地图匹配中，提高了地图匹配的质量。

进一步，所述轨迹匹配与生成组件用于对轨迹表示进行解码，将潜在空间中的轨迹表示向量映射到地理空间，依次生成基于路段的轨迹，从而获得地图匹配结果。

有益效果：将潜在空间中轨迹的表示向量进行解码，以识别最可能的映射结果得到地理空间中相应的路段，生成对应的驾驶路径。

进一步，所述联合优化组件用于联合优化轨迹表示学习与增强组件、模式识别与挖掘组件以及轨迹匹配与生成组件，实现三个组件的参数更新。

有益效果：将三个组件形成一个整体，进行联合优化，实现三个组件参数的更新，使得算法各个模块在整体任务上达到最优，得到各个模块的最佳参数。

附图说明

图1为本发明一种基于深度学习的地图匹配算法实施例一的逻辑框图。

图2为本发明联合优化组件的逻辑框图。

图3为本发明训练过程的算法图。

具体实施方式

下面通过具体实施方式进一步详细说明：

具体实施过程如下：

实施例一

实施例一基本如附图1所示，一种基于深度学习的地图匹配算法(简称L2MM)，主要由四个组件组成，即轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件；L2MM包括两个工作步骤，分别为离线训练步骤和在线推理步骤；在离线训练步骤，这四个组件协同工作以训练用于地图匹配的深度模型；而在在线推理步骤，则使用了训练好的深度模型，轨迹表示学习与增强组件、轨迹匹配与生成组件参与工作并返回给定基于测试点的轨迹的映射结果。

本实施例中，离线培训步骤中包括以下步骤：

A1.对于训练数据集中一条基于位置点的轨迹，首先将其转化为基于网格的轨迹，将城市以一定大小划分为均匀的网格，并将位置点投影到网格中，实现基于位置点的轨迹转化为基于网格的轨迹。

A2.通过轨迹表示学习与增强组件将基于网格的轨迹转化成潜在空间中的表示向量，并增强轨迹表示向量的语义表达能力和泛化能力。

A3.模式识别与挖掘组件对潜在空间中轨迹的表示向量进行移动模式识别与挖掘。

A4.将一条潜在空间中的轨迹表示向量输入到轨迹匹配与生成组件中，解码生成相应的基于路段的轨迹。

A5.将模型的输出结果(基于路段的轨迹)与真实驾驶路径基于路段的轨迹，轨迹的表示向量，潜在空间中的移动模式输入到联合优化组件中，从而实现轨迹表示学习与增强组件、模式识别与挖掘、轨迹匹配与生成组件的参数更新。

A6.重复前面五个步骤，经过多次迭代学习得到训练好的深度模型。

在线推理步骤包括以下步骤：

B1.将一条基于位置点的轨迹输入到训练好的深度模型中，并将基于位置点的轨迹转化为基于网格的轨迹。

B2.将其输入到轨迹表示学习与增强组件获得在潜在空间中的轨迹表示向量。

B3.将该表示向量传递给轨迹匹配与生成组件，生成基于路段的轨迹，从而得到地图匹配结果。

对于本算法中的轨迹表示学习与增强组件、模式识别与挖掘、轨迹匹配与生成组件以及联合优化组件，下面将详细介绍其具体的实施过程。

1)轨迹表示学习与增强组件包含轨迹表示学习模块和轨迹表示增强模块，轨迹表示学习模块用于将地理空间中的原始轨迹转换为潜在空间中的表示向量；轨迹表示增强模块用于增强轨迹表示向量的语义表达能力和泛化能力。

具体的，轨迹表示增强模块包括两种轨迹表示增强方法，一是借助高频轨迹实现轨迹表示增强，利用低频轨迹相应的高频轨迹来增强低频轨迹的潜在表示；二是利用数据分布实现轨迹表示增强，通过规整潜在空间中表示向量的分布来增强轨迹表示。下面分别对两种轨迹表示增强方法进行详细介绍。

a.借助高频轨迹实现轨迹表示增强：GPS设备以不同的采样率记录同一车辆的运动，从而得到不同的基于位置点的轨迹，如低频GPS轨迹和高频GPS轨迹。低频率的GPS轨迹数据质量较差，通常数据稀疏且嘈杂，两个连续GPS位置点之间存在很大的不确定性，无法准确获知其真实的移动路径。虽然轨迹表示学习技术可以减少噪声的影响，但信息匮乏的固有弱点导致学习到的表示向量语义表示不明确。相反，高频率GPS轨迹包含更多车辆运动的细节，丰富的空间信息包含明确的语义，指示了车辆所在的路段。这启发我们利用低频轨迹相应的高频轨迹中的丰富信息来增强低频轨迹表示向量的表征能力。为此，本实施例中利用seq2seq模型来学习高质量的轨迹表示。

seq2seq模型采用深度神经网络来学习从输入序列到目标序列的映射，广泛应用于自然语言处理(NLP)领域。在本实例中，低频轨迹作为输入序列，对应的高频轨迹作为目标序列。seq2seq模型主要由两个模块组成：编码器和解码器。前者将可变长度的输入序列映射到一个固定维度的上下文向量，后者从上下文向量中解码出相应的目标序列。生成的上下文向量不仅嵌入了输入序列的特征，还融合了目标序列的特征。

具体而言，一条基于网格的轨迹被输入到编码器中，生成潜在的表示向量。编码器表示为q_α(z|T^gL)，其中，T^gL表示基于网格的轨迹，z为生成的表示向量,α为编码器的参数。编码器由网格嵌入层、循环神经网络(RNN)层和全连接层组成。网格嵌入层将轨迹中的每个网格表示为一个one-hot向量，将轨迹进行编码。RNN层读取编码后的轨迹产生一系列隐藏状态。在编码的第i步，编码器读取轨迹中的第i个位置的网格g_i和上一步生成的隐藏状态h_i-1以更新隐藏状态h_i,如式1所示。

h_i＝GRU(h_i-1,g_i) (1)

其中GRU(门控循环单元)是一个待学习的非线性函数。普通的GRU只从轨迹的前面部分提取特征，而忽略未来轨迹中的信息。为了增强特征提取能力，本实例以双向GRU为RNN层的基本单元，从前向和后向两个方向捕获轨迹中复杂的序列信息。将最后一个隐藏状态视为轨迹在潜在空间中的表示向量。最后，使用全连接层来调整表示向量的形状。注意的是，RNN层的最后一个隐藏状态由前向和后向的GRU分别得到的最后一个隐藏状态拼接而成，即生成轨迹在潜在空间的表示向量z。

给定生成的表示向量z，解码器解码生成对应的基于路段的轨迹。解码器由三层组成：RNN层、全连接层和softmax层。RNN层采用单向GRU基本为基本单元，根据表示向量依次生成输出。然后，全连接层将输出向量转换为合适的形状。最后，softmax层用于识别最佳网格以产生匹配的路段。由此，输入一条低频轨迹，seq2seq模型可以生成基于路段的轨迹。本实例优化低频轨迹生成的路段轨迹和对应高频轨迹相应的路段轨迹之间的损失。通过该方式，可以学习高频轨迹的丰富细节并将其纳入低频轨迹的表示向量，从而增强其表达能力。

b.利用数据分布实现轨迹表示增强：通过规整潜在空间中表示向量的分布来增强轨迹表示。经过seq2seq模型处理后，低频轨迹被编码为固定维度的表示向量，它们是分布在高维潜在空间中的点。一旦进行解码和重建，每个点都对应于地理空间中一条基于路段的轨迹。由于训练轨迹的规模大小有限，它们在潜在空间上呈现稀疏分布。但是，人类的出行和移动有一定的规律性。因此，潜在空间中点的分布也应该存在一定的规律。这启发我们利用潜在空间中的现有点来重建数据分布。具体而言，通过添加正则化项来规整潜在空间中点的分布，使得数据分布接近并满足预期的规律性。通常假设数据分布服从标准高斯分布，表示向量z的数据分布可以从后验分布推断而来，如式2所示

其中，q_α(z∣T^g)表示从编码器导出的给定轨迹T^g的潜在表示，I是单位矩阵，

和

分别是均值和标准差向量。

其中f₁和f₂是两个待学习的全连接的前馈神经网络，h_n表示由给定轨迹T^g生成的表示向量。

训练期间随机采样可能会导致误差无法通过网络进行反向传播，本实施例中采用了重新参数化技巧来使得梯度下降成为可能。通过重构低频轨迹在潜在空间中的数据分布，加强了有限数据规模下轨迹表示向量的泛化能力，即给定一条训练数据集中未出现过的低频轨迹，编码器也能将其转换为潜在空间中一个有意义的点，获得高质量的轨迹表示向量。高质量的轨迹表示向量能够提供更多关于真实行驶路径的信息，从而提高地图匹配的效果。

2)模式识别与挖掘组件是基于学习到的高质量的表示向量，挖掘隐藏在轨迹中的典型移动模式。由于轨迹被编码为高维潜在空间中的点，因此会基于这些点进行模式挖掘。如上文所述，假设轨迹在潜在空间中的表示向量服从正态高斯分布，虽然这样能够得到高质量的更具语义信息的轨迹表示向量，但同时高斯分布单一形态的表示限制了轨迹更复杂的表示。通常地理空间中的轨迹有多种移动模式，相应的，潜在空间中的轨迹表示向量可以分为多个类别，每个类别对应于一种移动模式。因此，本方案使用高斯混合分布作为潜在空间表示向量的预期分布。假设潜在空间中有K种移动模式，每种移动模式的表示向量都服从正态高斯分布。因此，模式c中的轨迹表示z可以形式化为：

其中μ_c和σ_c分别是均值和标准差向量，p_β(c)＝Mult(τ)是一个多项式分布，用于描述轨迹属于模式c的概率，其中τ是待学习的参数。因此，潜在空间中的表示向量的分布建模为：

其中，

β＝{μ_c，σ_c，τ}表示高斯混合模型中的所有参数。

给定轨迹T^g，识别模式c和表示向量z被建模为q_α(z,c∣T^g)。在平均场近似场的帮助下，可以被分解为：

q_α(z,c∣T^g)＝q_α(z∣T^g)q_α(c∣T^g) (5)

其中q_α(z∣T^g)是根据公式(2)计算的，而q_α(c∣T^g)表示对于给定轨迹T^g属于特定模式c的概率。由于轨迹T^g被编码为潜在表示z，我们有q_α(c∣T^g)＝p_β(c∣z)。根据贝叶斯定理，后验分布可以定义为：

一旦通过联合优化方法对模型进行了充分的训练，就确定了潜在空间中表示向量的高斯混合分布，即确定了训练数据集中轨迹蕴含的移动模式。同时，利用确定的模式对潜在空间中轨迹表示的分布进行约束，这样可以将移动模式的知识引入地图匹配任务中。

3)轨迹匹配与生成组件则是对轨迹表示进行解码，并将解码后的向量映射到地理空间，依次生成匹配的基于路段的轨迹。形式表达上，轨迹匹配与生成可以看作是一个解码器pθ(T^s|z)，其中z表示一个潜在空间中的轨迹表示向量，T^s＝{e1,e2,...,em}表示生成的基于路段的轨迹，θ表示解码器的参数集合。此外，本方案采用注意力机制来增强解码器以捕获长序列轨迹中复杂的依赖关系。

解码过程如下，首先，序列开始令牌(SOS)和轨迹表示向量z被输入到解码器。在解码器的第i步中，根据之前生成的路段e_<i＝{e₁,e₂,...,e_i-1}确定当前步骤中输出的路段e_i，直到输出路段是序列结束令牌(EOS)。具体而言，解码器由RNN层、注意力层、全连接层和softmax层构成，其中RNN层由单向GRU作为基本单元构成。本方案首先利用单向GRU将最后识别出的路段e_i-1和最后一个隐藏状态s_i-1编码为一个新的隐藏向量s_i。其中，e₀＝SOS，s₀＝z，而s_i由公式(7)更新：

s_i＝GRU(e_i-1,s_i-1) (7)

为了提高解码器的性能，注意力层用于搜索最相关的表示向量，生成自适应的上下文向量。给定轨迹T^g，从轨迹表示学习和增强组件得到隐藏状态序列{h₁.h₂,…,h_n}，自适应的上下文向量c_i是所有隐藏状态向量的加权和，由公式(8)进行计算：

其中，h_j是第j个隐藏状态向量，|T^g|是基于网格轨迹的长度，ω_ij衡量h_j的重要性，由公式(9)进行计算：

其中，f(s_i,h_j)是一个评分函数，用于计算当前隐藏状态s_i和历史隐藏状态h_j之间的相关性。然后，将更新得到的s_i和生成的自适应上下文向量c_i连接起来，利用全连接层调整形状，最后输入到softmax层以识别匹配的路段e_i，可定义为：

其中，

是连接操作，函数F(·)调整连接后向量的形状。这样，可以按照公式10依次生成基于路段的轨迹。

4)如附图2所示，联合优化组件用于联合优化L2MM算法中的其余三个组件(也即轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件)，实现三个组件的参数更新。

L2MM算法目标是最大化生成的基于路段的轨迹(即输出段的序列)的联合概率分布，即最大化训练数据中生成的基于路段的轨迹的对数似然概率，如公式(11)所示

其中，N代表训练样本总数，

是第i对训练样本对，它包含一对基于网格的轨迹T^g和基于路段的轨迹T^s。由此推导出每对轨迹的证据下界(ELBO)为：

其中，α、β和θ分别代表三个组件(即轨迹表示学习与增强组件、模式识别与表示组件和轨迹匹配与生成组件)中的参数。进一步，证据下界可以变换为：

其中，KL(p,q)表示q和p的两个分布之间的KL散度。第一项表示地图匹配精度，即基于网格的轨迹T^g的表示向量z被解码生成正确的基于路段的轨迹T^s的概率；第二项旨在利用模式规整潜在空间中表示向量的分布，使得轨迹T^g编码得到表示向量z的概率接近于轨迹T^g属于潜在空间某种模式的表示向量的概率；第三项目的在于使得潜在空间中轨迹表示向量属于某种模式的概率接近于该模式的出现概率，λ和ζ是第二项和第三项的权重。在本实例实施中，将λ和ζ都设置为0.1。

如附图3所示，L2MM算法的训练过程采用了期望最大化算法(EM)的思想来逐步优化α、β和θ。D表示可用的训练数据集，即成对的基于网格的轨迹和基于路段的轨迹，L是目标函数，即公式(13)。c代表轨迹中蕴含的移动模式。首先，随机初始化α和θ，设定β中的所有均值向量和标准差向量为0和1(第1行)。然后，使用D中的数据和目标函数L训练L2MM，以获得最优参数α和θ(2～4行)。随后，随机选择部分训练数据D1来计算相应的轨迹表示z(5～6行)。这些轨迹表示向量用于高斯混合估计发现移动模式的最佳参数β(第7行)。基于挖掘得到的模式进行α和θ的参数更新。经过多轮训练，直到满足条件停止训练(8～10行)。最后，返回所有训练好的参数(第11行)。

以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (3)

1.一种基于深度学习的地图匹配方法，其特征在于，应用了轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件，包括离线训练步骤和在线推理步骤：

离线训练：将训练数据集中基于点的轨迹转换为基于网格的轨迹；

轨迹表示学习与增强组件通过借助高频轨迹实现轨迹表示增强和利用数据分布实现轨迹表示增强两种方法将基于网格的轨迹转化成潜在空间中轨迹的表示向量；

模式识别与挖掘组件对潜在空间中轨迹的表示向量进行移动模式识别和挖掘，采用高斯混合分布作为潜在空间表示向量的预期分布；假设潜在空间中有K种移动模式，每种移动模式的表示向量都服从正态高斯分布，模式c中的轨迹表示z可以形式化为：

式中，μ_c和σ_c分别是均值和标准差向量，p_β(c)＝Mult(τ)是一个多项式分布，用于描述轨迹属于模式c的概率，τ是待学习的参数；潜在空间中的表示向量的分布建模为：

式中，

β＝{μ_c，σ_c，τ}表示高斯混合模型中的所有参数；

给定轨迹T^g，识别模式c和表示向量z被建模为q_α(z，c|T^g)，在平均场近似场的帮助下，可以被分解为：

q_α(z，c|T^g)＝q_α(z|T^g)q_α(c|T^g) (5)

式中，q_α(z|T^g)表示从编码器导出的给定轨迹T^g的潜在表示，而q_α(c|T^g)表示对于给定轨迹T^g属于特定模式c的概率；由于轨迹T^g被编码为潜在表示z，而q_α(c|T^g)＝p_β(c|z)，根据贝叶斯定理，后验分布定义为：

通过联合优化方法对模型进行充分的训练，确定潜在空间中表示向量的高斯混合分布，确定训练数据集中轨迹蕴含的移动模式；

将潜在空间中的轨迹输入到轨迹匹配与生成组件中，轨迹匹配与生成组件通过解码器将解码后的向量映射到地理空间，并采用注意力机制来增强解码器以捕获长序列轨迹中复杂的依赖关系，生成基于路段的轨迹；

将基于路段的轨迹、真实驾驶路径、轨迹的表示向量和潜在空间中的移动模式输入到联合优化组件中，联合优化组件通过L2MM算法对表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件进行联合优化，最大化生成的基于路段的轨迹的联合概率分布，得到训练好的深度模型；

在线推理：基于点的轨迹输入到训练好的深度模型中；将基于点的轨迹转化为基于网格的轨迹；将基于网格的轨迹输入到轨迹表示学习与增强组件中获得潜在空间中轨迹的表示向量；将该表示向量传输至轨迹匹配与生成组件中，生成基于路段的轨迹，从而获得地图匹配结果。

2.根据权利要求1所述的一种基于深度学习的地图匹配方法，其特征在于，所述轨迹表示学习与增强组件中包括轨迹表示学习模块和轨迹表示增强模块：

轨迹表示学习模块用于将地理空间中基于点的轨迹转换为潜在空间中轨迹的表示向量；

轨迹表示增强模块用于借助低频轨迹相应的高频轨迹来增强低频轨迹在潜在空间中的表示向量的语义表达能力；并通过约束潜在空间中表示向量的数据分布来增强表示向量的泛化能力。

3.根据权利要求1所述的一种基于深度学习的地图匹配方法，其特征在于：所述模式识别与挖掘组件用于识别和挖掘隐藏在轨迹表示向量中的移动模式。

Images