CN117132002A - 一种多模态时空轨迹预测方法、装置、设备和介质 - Google Patents

一种多模态时空轨迹预测方法、装置、设备和介质 Download PDF

Info

Publication number
CN117132002A
CN117132002A CN202311394594.4A CN202311394594A CN117132002A CN 117132002 A CN117132002 A CN 117132002A CN 202311394594 A CN202311394594 A CN 202311394594A CN 117132002 A CN117132002 A CN 117132002A
Authority
CN
China
Prior art keywords
mode
data
track
unexplained
prediction
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
CN202311394594.4A
Other languages
English (en)
Inventor
王东锋
余亦阳
李双印
姚相松
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.)
Shenzhen Qianhai Zhongdian Huian Technology Co ltd
Original Assignee
Shenzhen Qianhai Zhongdian Huian 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 Shenzhen Qianhai Zhongdian Huian Technology Co ltd filed Critical Shenzhen Qianhai Zhongdian Huian Technology Co ltd
Priority to CN202311394594.4A priority Critical patent/CN117132002A/zh
Publication of CN117132002A publication Critical patent/CN117132002A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)

Abstract

本发明实施例公开了一种多模态时空轨迹预测方法、装置、设备和介质，所述方法包括控制现场设备获取单模态数据；控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。本实施例的多模态时空轨迹预测达到了数据传输安全且预测准确的效果。

Description

一种多模态时空轨迹预测方法、装置、设备和介质
技术领域
本发明实施例涉及通讯技术领域，尤其涉及一种多模态时空轨迹预测方法、装置、设备和介质。
背景技术
随着城市化进程的进行，城市安全问题的重要性越来越凸显。时空轨迹预警技术是一种通过分析人和物的移动轨迹，预测可能的风险和危险并及时发出警报的技术。在智慧安全城市中，时空轨迹预警可以帮助城市管理者和居民更好地保护生命和财产安全。
现有的时空轨迹预警方法主要分为两个类别：(1)基于模式识别的方法。(2)基于机器学习的方法。(1)基于模式识别的方法首先定义或挖掘出某种模式，然后对新流入的数据进行模式匹配。模式识别常见的技术包括聚类、关联规则挖掘等。此类方法的效果取决于所定义、挖掘的模式是否适用于应用场景的数据。在多模态时空轨迹场景中，存在着多种特点、属性完全不同的数据，例如人脸轨迹、步态轨迹、手机信号轨迹，车辆的车牌抓拍轨迹、ETC采集轨迹等，不同类型的数据适用的模式是不同，模式识别的方法在不同模态之间的迁移、较困难。(2)基于机器学习的方法使用机器学习算法对时空数据进行学习和预测，现有技术的方法能够让模型从数据中自动学习多种模态的时空轨迹数据，但传统的基于机器学习方法是在云端服务器部署的，端侧设备将数据发回服务器，再由服务器的模型进行统一计算、预测。此类方法需要将数据传回服务器，会增加网络的带宽压力和服务器端的计算压力，同时也会增加用户原始轨迹数据信息泄露的风险。
边缘计算在物联网、智能家居、自动驾驶等领域有着广泛应用，但由于以下2个原因，无法直接应用在多模态时空轨迹预警问题中：(1)数据处理和计算量较大：多模态时空轨迹数据通常具有大规模和复杂性，需要在边缘设备上进行实时处理和计算，这需要高效的算法和强大的计算能力。(2)设备限制和性能问题：边缘设备通常受限于计算能力、存储容量、能源供应等，使得边缘设备难以应对多模态大规模的时空轨迹数据。
因此，现有技术急需一种可以保证数据安全且预测准确的时空轨迹预测方法。
发明内容
本发明实施例提供一种多模态时空轨迹预测方法、装置、设备和介质，达到了数据传输安全且预测准确的效果。
根据本发明的一方面，提供了一种多模态时空轨迹预测方法，包括：控制现场设备获取单模态数据；控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
进一步的，所述控制现场设备获取单模态数据包括：调试现场设备以获取稳定的数据源；记录调试设备的工作人员的轨迹作为标注数据。
进一步的，所述控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征，包括：控制端侧设备对获取的单模态数据进行预处理，以去掉异常数据和噪声；对预处理后的单模态数据进行特征提取，以获得可解释特征和不可解释特征。
进一步的，所述控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果，包括：对所述可解释特征和不可解释特征进行拼接聚合以生成单模态特征；将所述单模态特征输入预先训练的单模态模型以获取单模态轨迹预测结果。
进一步的，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征，之前包括：控制所述端侧设备将所述不可解释特征、单模态轨迹预测结果、端侧设备的空间位置、特征和单模态轨迹预测结果生成时间发送至所述云侧设备。
进一步的，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征包括：控制云侧设备将同类型现场设备获取单模态数据的不可解释特征进行第一类数据聚合，以生成多模态融合特征；和/或控制云侧设备将不同类型现场设备获取单模态数据的不可解释特征进行第二类数据聚合，以生成多模态融合特征。
进一步的，所述控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹，包括：将所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征输入预先训练的多模态模型以获取多模态预测轨迹。
根据本发明的一方面，提供了一种多模态时空轨迹预测装置，包括：数据获取模块，用于控制现场设备获取单模态数据；特征提取模块，用于控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；单端预测模块，用于控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；特征融合模块，用于控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；云端预测模块，用于控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
根据本发明的另一方面，提供了一种计算机设备，包括：一个或多个处理器；存储器，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上述任一多模态时空轨迹预测方法。
根据本发明的另一方面，提供了一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述的任一多模态时空轨迹预测方法。
本发明实施例的多模态时空轨迹预测方法包括控制现场设备获取单模态数据；控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹，本实施例的多模态时空轨迹预测达到了既可以在端侧设备进行单模态的边缘计算，又充分利用了云侧设备的强大算力，避免将所有的计算压力都传导至云侧模型。同时也避免了现有技术需要传输大量的原始轨迹数据给云侧设备才能完成计算的问题，提高隐私安全性，并且本实施例在云侧设备通过聚合生成的多模态融合特征进对目标实体进行轨迹预测，进一步减少了云侧模型在预测过程中使用的数据量，增大了预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种多模态时空轨迹预测方法的流程图。
图2是本发明实施例二提供的一种多模态时空轨迹预测装置的示意图。
图3示出了本发明的实施例三提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应所述理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
名词解释：ETC：ElectronicTollCollection。电子不停车收费系统。
步态：步态指人行走的姿态。步态识别同样是生物特征识别技术的一种，其核心思想是通过分析一个人行走的姿态来对比出数据库中人物的身份。
端侧设备：一般指分布式系统中的客户端设备，也指在计算机领域中位于终端的设备，例如手机、物联网设备等。端侧设备计算、存储能力弱。
云侧设备：一般指分布式系统中的服务器端设备，也指在计算机领域中的云侧模型。云侧模型具有强大的计算、存储能力，能够将端侧的数据聚合起来进行高效计算。
IMSI：InternationalMobileSubscriberIdentity，国际移动用户识别码，用以区分移动网络的不同用户。每个手机sim卡都会有一个唯一的IMSI码。
不可解释特征：指无法通过观察特征的值来理解其与现实目标量之间关系的特征。模型可以用这些特征来进行计算、预测，但人无法通过特征来还原现实情况。
可解释特征：速度、方向、加速度、相近人员id、IMSI数据等信息，还可以是通过专家经验设定的数据，例如采集频率，也可以是特定事件出现规律通过专家经验设定的特征，例如采集频率，出现规律等。
图神经网络：GraphNeuralNetworks，一种用于处理图数据的神经网络模型。它将节点和边作为输入，并通过多层神经网络对图数据进行学习和预测。
LightGBM：LightGradientBoostingMachine，是一种基于梯度提升树(GradientBoostingDecisionTree)算法的机器学习框架，是许多企业和研究机构常用的机器学习框架之一。
实施例一
图1是本发明实施例一提供的一种多模态时空轨迹预测方法的流程图，本实施例可应用于多模态时空轨迹预测装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在移动端、边缘设备、电脑或服务器中，本发明实施例并不对移终端、边缘设备、电脑或服务器类型进行限定。相应的，如图1所示，该方法包括如下操作。
S110、控制现场设备获取单模态数据。
一实施例中，所述控制现场设备获取单模态数据还包括：调试现场设备以获取稳定的数据源；记录调试设备的工作人员的轨迹作为标注数据。
具体地，现场设备可以包括相机、ETC设备、侦码设备等，本实施例通过控制现场设备获取稳定的数据源。一实施例中，数据源可以包括但不限于人脸图像、步态视频、车辆图像、IMSI数据等，本实施例中同时使用现场工作人员调试设备的轨迹对获取的数据进行标注，并使用标注的数据对预设的单模态模型进行训练。
S120、控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征。
一实施例中，所述控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征，包括：控制端侧设备对获取的单模态数据进行预处理，以去掉异常数据和噪声；对预处理后的单模态数据进行特征提取，以获得可解释特征和不可解释特征。
具体地，本实施例中，通过预处理还可以去除掉的异常数据和噪声可以是经纬度异常、时间异常，识别不清晰等。
一实施例中，所述可解释特征可以包括速度、方向、加速度、相近人员id等信息，还可以是通过专家经验设定的数据，例如采集频率，也可以是特定事件出现规律，例如人流因高峰期或因交通信号出现的规律等。一实施例中，不可解释特征可以通过轨迹聚类、降维等方式计算得到。
一实施例中，不可解释特征通过对原始数据进行预设算法计算后得到，主要分为以下三类处理方法：1)对于单模态数据中的原始轨迹点用升维方法构造不可解释特征：原始轨迹点可以表示为(时间，经度，纬度)这样的3维数组，对3维数组使用升维函数得到高维不可解释特征。例如使用机器学习中核函数(kernelfunction)方法，可以将低维可解释特征转换为高维特征。Dh=f(D)。Dh指输出的高维特征，D指低维原始轨迹，f指核函数。
2)基于单模态数据确认轨迹序列，对轨迹序列聚类构造不可解释特征：对于轨迹序列应用k-means、knn等聚类算法，每个轨迹序列都会得到一个聚类结果，每个聚类随机分配一个不同的聚类id作为聚类特征作为不可解释特征。
3)基于单模态数据确认轨迹序列，对轨迹序列构造不可解释特征：单个轨迹点可以表示为3维数组，n个轨迹点组成的序列可以表示为n*3维数组，对于n*3维数组应用降维算法，例如组成分分析算法PCA，t分布随机近邻嵌入t-SNE等，可以将n*3维数组降维(在我们的方法中是降到3维)得到低维不可解释特征。
S130、控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果。
一实施例中，所述控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果，包括：对所述可解释特征和不可解释特征进行拼接聚合以生成单模态特征；将所述单模态特征输入预先训练的单模态模型以获取单模态轨迹预测结果。
具体地，一实施例中，单模态模型的输入特征为单模态可解释特征与单模态不可解释特征的拼接聚合，一实施例中，f_a=(f_e,f_u)，f_a为输入特征,f_e为可解释特征，f_u为不可解释特征。表示可解释特征和不可解释特征拼接到一起作为输入特征。
一实施例中，训练好的单模态模型接受输入特征f_a，输出单模态轨迹预测结果，例如人脸轨迹、步态轨迹、手机信号轨迹，车辆的车牌抓拍轨迹、ETC采集轨迹等，或者可以是某手机信号/某车辆接下来可能去到哪些地方，去各个可能目的地的概率是多少等。
具体的，一实施例中，在使用预设的单模态模型进行预测之前需要对单模态模型进行训练，并部署训练好的单模态模型，端侧设备运行的单模态模型采用相对简单一些的模型，例如多项式回归、决策树等。基于标注数据和单模态特征数据进行单模态模型训练，训练好的单模态模型用于进行单模态轨迹预测。
S140、控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征。
一实施例中，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征，之前还可以包括：控制所述端侧设备将所述不可解释特征、单模态轨迹预测结果、端侧设备的空间位置、特征和单模态轨迹预测结果生成时间发送至所述云侧设备。具体地，端侧设备在生成单模态轨迹预测结果后，可以将单模态不可解释特征、单模态轨迹预测结果以及端侧设备的空间位置、特征和结果的生成时间一并打包发送至云端。替代实施例中，在发送至云端前，端侧设备还将打包数据进行加密和压缩，以减少数据包发送的负担，同时提高数据发送的安全性。
进一步的，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征还可以包括：控制云侧设备将同类型现场设备获取单模态数据的不可解释特征进行第一类数据聚合，以生成多模态融合特征；和/或控制云侧设备将不同类型现场设备获取单模态数据的不可解释特征进行第二类数据聚合，以生成多模态融合特征。
具体地，如果单模态数据来源于相同类型的设备，则可以基于空间相关性和/或时间相关性将这些单模态数据的不可解释特征进行第一类数据聚合，例如，将相同空间位置预设范围内的单模态数据的不可解释特征进行拼接，或者将相同时刻的单模态数据的不可解释特征进行拼接，以生成多模态融合特征。本实施例的空间位置预设范围和相同时刻可以通过端侧设备的空间位置和单模态轨迹预测结果生成时间分别计算得到。一实施例中，f_k=(f_k1,f_k2)，f_k1为第一现场设备提供的单模态数据对应的不可解释特征，f_k2为第二现场设备提供的单模态数据对应的不可解释特征，f_k为拼接后的多模态融合特征。本实施例仅仅以两个现场设备的单模态数据对应的不可解释特征进行拼接为例，但并不以此为限。
如果单模态数据来源于不同相同类型的设备，则可以基于空间相关性和/或时间相关性将这些单模态数据的不可解释特征进行第二类数据聚合，第二类数据聚合相比第一类数据聚合需要增加不同模态特征之间的相似度信息，例如，将相同空间位置预设范围内的不同类型单模态数据的不可解释特征乘以预设的相似度后进行拼接，或者将相同时刻的不同类型单模态数据的不可解释特征乘以预设的相似度后进行拼接，以生成多模态融合特征。一实施例中，f_k=(a×f_k1,b×f_k2)，其中，f_k1为第一现场设备提供的单模态数据对应的不可解释特征，特征,a为第一现场设备对应的单模态数据的相似度系数，f_k2为第二现场设备提供的单模态数据对应的不可解释特征，b为第二现场设备对应的单模态数据的相似度系数，本实施例中，第一现场设备和第二现场设备为不同类型的设备，例如第一现场设备为红外摄像头，第二现场设备为白光摄像头。f_k拼接后的多模态融合特征。本实施例仅仅以两个不同类型的现场设备的单模态数据对应的不可解释特征进行拼接为例，但并不以此为限。
S150、控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
具体地，所述控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹，包括：将所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征输入预先训练的多模态模型以获取多模态预测轨迹。
一实施例中，在使用多模态模型进行预测之前，需要对多模态模型进行训练，较佳的，基于标注数据训练多模态模型（云侧轨迹预测模型）。一实施例中，预先采集并对大量的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征进行标注，然后使用标注后的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征中的一种或多种可以作为多模态模型（云侧模型）的输入来对多模态模型进行训练。完成训练后，使用没有标注的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征中的一种或多种可以作为多模态模型（云侧模型）的输入以生成多模态预测轨迹，这些轨迹用于代表的现实实体的活动轨迹。一实施例中，如果生成多模态预测轨迹表明待预测的目标实体进入或出现在重要区域(例如特别管制区域)可以发出预警信息进行提示。其他实施例中，如果生成多模态预测轨迹表明待预测的多个目标实体汇聚到相同的地理位置则可以发出预警信息进行提示。替代实施例中，如果生成多模态预测轨迹表明待预测的目标实体在多次在异常时刻出现在相同的地理位置则可以发出预警信息进行提示。
一实施例中，多模态模型（云侧模型）通常采用复杂一些的模型，例如可以基于设备的空间拓扑构造图神经网络模型，再基于LightGBM等复杂一些的递归树模型来进行多模型融合。具体地，多模态模型可以包括图神经网络、设备的空间特征和递归树模型这三个部分。具体地，根据设备的空间分别与路网信息，构造拓扑图，用图神经网络计算得到设备的空间特征。设备的空间特征与前述的多模态融合特征拼接，得到下一步模型的输入特征。基于LightGBM构造递归树模型，用递归树模型来学习输入特征与实际预测轨迹的关系。在递归树模型这里汇聚前面的输入，得到最终预测的轨迹。例如综合待预测的目标实体的人脸、手机信号、乘坐车辆的特征，以及图神经网络提取出的采集到待预测的目标实体的信息对应设备的空间特征，递归树模型综合考虑这些信息给出一个该目标实体的预测轨迹。
相对于现有技术，本实施例的方法通过控制现场设备获取单模态数据；控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹，达到了既可以在端侧设备进行单模态的边缘计算，又充分利用了云侧设备的强大算力，避免将所有的计算压力都传导至云侧模型。同时也避免了现有技术需要传输大量的原始轨迹数据给云侧设备才能完成计算的问题，提高隐私安全性，并且本实施例在云侧设备通过聚合生成的多模态融合特征进对目标实体进行轨迹预测，进一步减少了云侧模型在预测过程中使用的数据量，增大了预测的准确性。
实施例二
图2是本发明实施例二提供的一种多模态时空轨迹预测装置200的示意图，该装置200可以由软件和/或硬件的方式来实现，并一般可集成于服务器，如图2所示，所述装置200包括：数据获取模块210，用于控制现场设备获取单模态数据；特征提取模块220，用于控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；单端预测模块230，用于控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；特征融合模块240，用于控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；云端预测模块250，用于控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
进一步的，所述数据获取模块210还包括：设备调试模块，用于调试现场设备以获取稳定的数据源；数据标注模块，用于记录调试设备的工作人员的轨迹作为标注数据。
具体地，现场设备可以包括相机、ETC设备、侦码设备等，本实施例通过控制现场设备获取稳定的数据源。同时使用现场工作人员调试设备的轨迹对获取的数据进行标注，并使用标注的数据对预设的单模态模型进行训练。
进一步的，特征提取模块220还包括：数据预处理模块，用于控制端侧设备对获取的单模态数据进行预处理，以去掉异常数据和噪声。
特征提取模块220还用于对预处理后的单模态数据进行特征提取，以获得可解释特征和不可解释特征。
具体地，本实施例中，通过预处理还可以去除掉的异常数据和噪声可以是经纬度异常、时间异常，识别不清晰等。
一实施例中，所述可解释特征可以包括速度、方向、加速度、相近人员id等信息，还可以是通过专家经验设定的数据，例如采集频率，也可以是特定事件出现规律，例如人流因高峰期或因交通信号出现的规律等。一实施例中，不可解释特征可以通过轨迹聚类、降维等方式计算得到。
一实施例中，不可解释特征通过对原始数据进行预设算法计算后得到，主要分为以下三类处理方法：1)对于单模态数据中的原始轨迹点用升维方法构造不可解释特征：原始轨迹点可以表示为(时间，经度，纬度)这样的3维数组，对3维数组使用升维函数得到高维不可解释特征。例如使用机器学习中核函数(kernelfunction)方法，可以将低维可解释特征转换为高维特征。例如，Dh=f(D)。Dh指输出的高维特征，D指低维原始轨迹，f指核函数。
2)基于单模态数据确认轨迹序列，对轨迹序列聚类构造不可解释特征：对于轨迹序列应用k-means、knn等聚类算法，每个轨迹序列都会得到一个聚类结果，每个聚类随机分配一个不同的聚类id作为聚类特征作为不可解释特征。
3)基于单模态数据确认轨迹序列，对轨迹序列构造不可解释特征：单个轨迹点可以表示为3维数组，n个轨迹点组成的序列可以表示为n*3维数组，对于n*3维数组应用降维算法，例如组成分分析算法PCA，t分布随机近邻嵌入t-SNE等，可以将n*3维数组降维(在本实施例中是降到3维)得到低维不可解释特征。
进一步的，单端预测模块230还包括：单模态聚合模块，用于对所述可解释特征和不可解释特征进行拼接聚合以生成单模态特征；单模态预测模块，用于将所述单模态特征输入预先训练的单模态模型以获取单模态轨迹预测结果。
具体地，一实施例中，单模态模型的输入特征为单模态可解释特征与单模态不可解释特征的拼接聚合，一实施例中，f_a=(f_e,f_u)，f_a为输入特征,f_e为可解释特征，f_u为不可解释特征。表示可解释特征和不可解释特征拼接到一起作为输入特征。
一实施例中，训练好的单模态模型接受输入特征f_a，输出单模态轨迹预测结果，例如某手机信号/某车辆接下来可能去到哪些地方，去各个可能目的地的概率是多少等。
具体的，一实施例中，在使用预设的单模态模型进行预测之前需要对单模态模型进行训练，并部署训练好的单模态模型，端侧设备运行的单模态模型采用相对简单一些的模型，例如多项式回归、决策树等。基于标注数据和单模态特征数据进行单模态模型训练，训练好的单模态模型用于进行单模态轨迹预测。
进一步地，特征融合模块240还包括：第一类聚合模块，用于控制云侧设备将同类型现场设备获取单模态数据的不可解释特征进行第一类数据聚合，以生成多模态融合特征；和/或第二类聚合模块，用于控制云侧设备将不同类型现场设备获取单模态数据的不可解释特征进行第二类数据聚合，以生成多模态融合特征。
具体地，如果单模态数据来源于相同类型的设备，则可以基于空间相关性和/或时间相关性将这些单模态数据的不可解释特征进行第一类数据聚合，例如，将相同空间位置预设范围内的单模态数据的不可解释特征进行拼接，或者将相同时刻的单模态数据的不可解释特征进行拼接，以生成多模态融合特征。
如果单模态数据来源于相同类型的设备，则可以基于空间相关性和/或时间相关性将这些单模态数据的不可解释特征进行第一类数据聚合，例如，将相同空间位置预设范围内的单模态数据的不可解释特征进行拼接，或者将相同时刻的单模态数据的不可解释特征进行拼接，以生成多模态融合特征。一实施例中，f_k=(f_k1,f_k2)，f_k1为第一现场设备提供的单模态数据对应的不可解释特征，特征,f_k2为第二现场设备提供的单模态数据对应的不可解释特征，f_k拼接后的多模态融合特征。本实施例仅仅以两个现场设备的单模态数据对应的不可解释特征进行拼接为例，但并不以此为限。
如果单模态数据来源于不同类型的设备，则可以基于空间相关性和/或时间相关性将这些单模态数据的不可解释特征进行第二类数据聚合，第二类数据聚合相比第一类数据聚合需要增加不同模态特征之间的相似度信息，例如，将相同空间位置预设范围内的不同类型单模态数据的不可解释特征乘以预设的相似度后进行拼接，或者将相同时刻的不同类型单模态数据的不可解释特征乘以预设的相似度后进行拼接，以生成多模态融合特征。一实施例中，f_k=(a×f_k1,b×f_k2)，f_k1为第一现场设备提供的单模态数据对应的不可解释特征，a为第一现场设备对应的单模态数据的相似度系数，f_k2为第二现场设备提供的单模态数据对应的不可解释特征，b为第一现场设备对应的单模态数据的相似度系数，本实施例中，第一现场设备和第二现场设备为不同类型的设备，例如第一现场设备为红外摄像头，第二现场设备为白光摄像头。f_k拼接后的多模态融合特征。本实施例仅仅以两个现场设备的单模态数据对应的不可解释特征进行拼接为例，但并不以此为限。
进一步的，云端预测模块250将所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征输入预先训练的多模态模型以获取多模态预测轨迹。
一实施例中，在使用多模态模型进行预测之前，需要对多模态模型进行训练，较佳的，基于标注数据训练多模态模型（云侧轨迹预测模型）。一实施例中，预先采集并对大量的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征进行标注，然后使用标注后的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征中的一种或多种可以作为多模态模型（云侧模型）的输入来对多模态模型进行训练。完成训练后，使用没有标注的端侧的单模态特征（不可解释特征）、模型结果（单模态轨迹预测结果）以及云侧的多模态融合特征中的一种或多种可以作为多模态模型（云侧模型）的输入以生成多模态预测轨迹，这些轨迹用于代表的现实实体的活动轨迹。一实施例中，如果生成多模态预测轨迹表明待预测的目标实体进入或出现在重要区域(例如特别管制区域)可以发出预警信息进行提示。其他实施例中，如果生成多模态预测轨迹表明待预测的多个目标实体汇聚到相同的地理位置则可以发出预警信息进行提示。替代实施例中，如果生成多模态预测轨迹表明待预测的目标实体在多次在异常时刻出现在相同的地理位置则可以发出预警信息进行提示。
一实施例中，多模态模型（云侧模型）通常采用复杂一些的模型，例如可以基于设备的空间拓扑构造图神经网络模型，再基于LightGBM等复杂一些的递归树模型来进行多模型融合。具体地，多模态模型可以包括图神经网络、设备的空间特征和递归树模型这三个部分。具体地，根据设备的空间分别与路网信息，构造拓扑图，用图神经网络计算得到设备的空间特征。设备的空间特征与前述的多模态融合特征拼接，得到下一步模型的输入特征。基于LightGBM构造递归树模型，用递归树模型来学习输入特征与实际预测轨迹的关系。在递归树模型这里汇聚前面的输入，得到最终预测的轨迹。例如综合待预测的目标实体的人脸、手机信号、乘坐车辆的特征，以及图神经网络提取出的采集到待预测的目标实体的信息对饮设备的空间特征，递归树模型综合考虑这些信息给出一个该人的预测轨迹。
进一步的，多模态时空轨迹预测装置200还包括数据发送模块，用于控制所述端侧设备将所述不可解释特征、单模态轨迹预测结果、端侧设备的空间位置、特征和单模态轨迹预测结果生成时间发送至所述云侧设备。具体地，端侧设备在生成单模态轨迹预测结果后，可以将单模态不可解释特征、单模态轨迹预测结果以及端侧设备的空间位置、特征和结果的生成时间一并打包发送至云端。
进一步的，多模态时空轨迹预测装置200还包括数据加密压缩模块，用于将数据发送模块打包数据进行加密和压缩，以减少数据包发送的负担，同时提高数据发送的安全性。
上述多模态时空轨迹预测装置可执行本发明任意实施例所提供的多模态时空轨迹预测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的多模态时空轨迹预测方法。由于上述所介绍的多模态时空轨迹预测装置为可以执行本发明实施例中的多模态时空轨迹预测方法的装置，故而基于本发明实施例中所介绍的多模态时空轨迹预测方法，本领域所属技术人员能够了解本实施例的多模态时空轨迹预测装置的具体实施方式以及其各种变化形式，所以在此对于该多模态时空轨迹预测装置如何实现本发明实施例中的多模态时空轨迹预测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中多模态时空轨迹预测方法所采用的装置，都属于本申请所欲保护的范围。
实施例三
图3示出了本发明的实施例三提供的一种计算机设备的结构示意图。如图3所示，计算机设备30包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储计算机设备30操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
计算机设备30中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许计算机设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如多模态时空轨迹预测方法。
在一些实施例中，多模态时空轨迹预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到计算机设备30上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的多模态时空轨迹预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行多模态时空轨迹预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在移动终端上实施此处描述的系统和技术，该移动终端具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给移动终端。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
实施例四
本发明实施例四还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的多模态时空轨迹预测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ReadOnlyMemory，ROM）、可擦式可编程只读存储器（ErasableProgrammableReadOnlyMemory，EPROM，或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频（RadioFrequency，RF）等等，或者上述的任意合适的组合。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应所述明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种多模态时空轨迹预测方法，其特征在于，包括：
控制现场设备获取单模态数据；
控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；
控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；
控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；
控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
2.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制现场设备获取单模态数据包括：
调试现场设备以获取稳定的数据源；
记录调试设备的工作人员的轨迹作为标注数据。
3.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征，包括：
控制端侧设备对获取的单模态数据进行预处理，以去掉异常数据和噪声；
对预处理后的单模态数据进行特征提取，以获得可解释特征和不可解释特征。
4.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果，包括：
对所述可解释特征和不可解释特征进行拼接聚合以生成单模态特征；
将所述单模态特征输入预先训练的单模态模型以获取单模态轨迹预测结果。
5.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征，之前包括：
控制所述端侧设备将所述不可解释特征、单模态轨迹预测结果、端侧设备的空间位置、特征和单模态轨迹预测结果生成时间发送至所述云侧设备。
6.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征包括：
控制云侧设备将同类型现场设备获取单模态数据的不可解释特征进行第一类数据聚合，以生成多模态融合特征；和/或
控制云侧设备将不同类型现场设备获取单模态数据的不可解释特征进行第二类数据聚合，以生成多模态融合特征。
7.根据权利要求1所述的多模态时空轨迹预测方法，其特征在于，所述控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹，包括：
将所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征输入预先训练的多模态模型以获取多模态预测轨迹。
8.一种多模态时空轨迹预测装置，其特征在于，包括：
数据获取模块，用于控制现场设备获取单模态数据；
特征提取模块，用于控制端侧设备基于所述单模态数据生成不可解释特征和可解释特征；
单端预测模块，用于控制端侧设备基于所述不可解释特征和可解释特征进行单模态轨迹推理，以获取单模态轨迹预测结果；
特征融合模块，用于控制云侧设备基于不同端侧设备的不可解释特征生成多模态融合特征；
云端预测模块，用于控制云侧设备基于所述不可解释特征、所述单模态轨迹预测结果以及所述多模态融合特征进行聚合预测，以生成多模态预测轨迹。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，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如权利要求1-7中任一所述的多模态时空轨迹预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的多模态时空轨迹预测方法。
CN202311394594.4A 2023-10-26 2023-10-26 一种多模态时空轨迹预测方法、装置、设备和介质 Pending CN117132002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311394594.4A CN117132002A (zh) 2023-10-26 2023-10-26 一种多模态时空轨迹预测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311394594.4A CN117132002A (zh) 2023-10-26 2023-10-26 一种多模态时空轨迹预测方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN117132002A true CN117132002A (zh) 2023-11-28

Family

ID=88858534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311394594.4A Pending CN117132002A (zh) 2023-10-26 2023-10-26 一种多模态时空轨迹预测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN117132002A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118410303A (zh) * 2024-06-28 2024-07-30 深圳前海中电慧安科技有限公司 多模态时空轨迹数据处理方法、装置、设备、介质及产品
CN118410303B (zh) * 2024-06-28 2024-10-25 深圳前海中电慧安科技有限公司 多模态时空轨迹数据处理方法、装置、设备、介质及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827540A (zh) * 2019-11-04 2020-02-21 黄传明 一种多模态数据融合的机动车移动模式识别方法及系统
WO2020143916A1 (en) * 2019-01-10 2020-07-16 Huawei Technologies Co., Ltd. A method for multi-modal sensor fusion using object trajectories for cross-domain correspondence
CN114742317A (zh) * 2022-05-11 2022-07-12 苏州易航远智智能科技有限公司 车辆轨迹预测方法、装置、电子设备及存储介质
CN115456060A (zh) * 2022-08-31 2022-12-09 苏州轻棹科技有限公司 一种预测轨迹的处理方法和装置
CN116778292A (zh) * 2023-08-18 2023-09-19 深圳前海中电慧安科技有限公司 多模态车辆时空轨迹的融合方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020143916A1 (en) * 2019-01-10 2020-07-16 Huawei Technologies Co., Ltd. A method for multi-modal sensor fusion using object trajectories for cross-domain correspondence
CN110827540A (zh) * 2019-11-04 2020-02-21 黄传明 一种多模态数据融合的机动车移动模式识别方法及系统
CN114742317A (zh) * 2022-05-11 2022-07-12 苏州易航远智智能科技有限公司 车辆轨迹预测方法、装置、电子设备及存储介质
CN115456060A (zh) * 2022-08-31 2022-12-09 苏州轻棹科技有限公司 一种预测轨迹的处理方法和装置
CN116778292A (zh) * 2023-08-18 2023-09-19 深圳前海中电慧安科技有限公司 多模态车辆时空轨迹的融合方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118410303A (zh) * 2024-06-28 2024-07-30 深圳前海中电慧安科技有限公司 多模态时空轨迹数据处理方法、装置、设备、介质及产品
CN118410303B (zh) * 2024-06-28 2024-10-25 深圳前海中电慧安科技有限公司 多模态时空轨迹数据处理方法、装置、设备、介质及产品

Similar Documents

Publication Publication Date Title
Chen et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system
CN113657269A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
JP7267363B2 (ja) 交通流監視測定システムのテスト方法、装置及び機器
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN111918039A (zh) 基于5g网络的人工智能高风险作业管控系统
CN111431819A (zh) 一种基于序列化的协议流特征的网络流量分类方法和装置
CN113642403B (zh) 基于边缘计算的人群异动智能安全检测系统
CN113902007A (zh) 模型训练方法及装置、图像识别方法及装置、设备和介质
CN111949501A (zh) It系统运行风险监控方法及装置
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN111405475A (zh) 一种多维感知数据碰撞融合分析方法和装置
CN113326773A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
JP7348243B2 (ja) 交通流監視測定システムのテスト方法、装置及び機器
CN113989720A (zh) 目标检测方法、训练方法、装置、电子设备及存储介质
CN114356502B (zh) 基于边缘计算技术的非结构化数据标记、训练和发布系统及方法
CN117132002A (zh) 一种多模态时空轨迹预测方法、装置、设备和介质
US20210097394A1 (en) Method and apparatus for compressing deep learning model
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN113920720A (zh) 高速公路隧道设备故障处理方法、装置及电子设备
CN113591567A (zh) 目标检测方法、目标检测模型的训练方法及其装置
Tian Embedded Real‐Time Detection of Vehicles and Pedestrians Based on Minimal Networks
CN116934557B (zh) 行为预测信息生成方法、装置、电子设备和可读介质
CN112700657B (zh) 用于生成检测信息的方法、装置、路侧设备和云控平台
Lou et al. Cyber-physical intelligent transport system based on digital-twin technology
CN114093170B (zh) 一种信号机控制方案的生成方法、系统、装置及电子设备

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: 20231128

RJ01 Rejection of invention patent application after publication