本发明专利技术公开了一种轨迹数据的追踪与预测方法、装置及介质，适用于轨迹追踪技术领域。将待预测轨迹数据进行聚类初始化得到网络初始化参数；根据网络初始化参数对第一基模型参数更新，将支持集内的轨迹数据输入至参数更新后的第一基模型得到初始化结果，进一步损失处理得到损失结果；根据损失结果对第二基模型参数更新，将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果。该方法通过获取待预测轨迹数据，可以来自冷启动用户或冷启动路径对应的数据，基于元学习的模型对待预测轨迹数据进行追踪与预测，由于元学习可以解决移动信令轨迹的少样本问题，解决了现有的追踪预测无法支持冷启动用户及冷启动路径的预测问题。测问题。测问题。
【技术实现步骤摘要】
一种轨迹数据的追踪与预测方法、装置及介质
[0001]本专利技术涉及轨迹追踪
，特别是涉及一种轨迹数据的追踪与预测方法、装置及介质。
技术介绍
[0002]随着移动智能设备和位置服务的广泛使用，大量信令轨迹数据得以被采用并持久化存储。该数据以大量移动对象的行驶轨迹为内容，不仅刻画了每条轨迹移动的实时状态，而且蕴含着丰富的轨迹移动的模式规律，为移动轨迹的追踪与预测提供了前所未有的机遇。因此，越来越多的应用从轨迹数据中分析其移动过程中的行为偏好和特征，挖掘移动模式与规律，从而进行移动轨迹的追踪与预测。
[0003]现有的移动轨迹数据的追踪与预测由于数据的稀疏性问题通常面临着冷启动用户或者冷启动路径。例如，冷启动用户可能有很少的历史轨迹，而其他用户可能面临位于不熟悉的区域的移动轨迹。现有的模型进行追踪与预测需要大量的训练数据，若在冷启动用户或者冷启动路径这样的少样本数据发现序列模式和用户偏好却成为一种严重的挑战，故在支持冷启动预测方面无效，导致轨迹追踪与预测的准确度降低。
[0004]因此，寻求一种轨迹数据的追踪与预测方法是本领域技术人员亟需要解决的。
技术实现思路
[0005]本专利技术的目的是提供一种轨迹数据的追踪与预测方法、装置及介质，解决了现有的模型进行追踪预测无法支持冷启动用户及冷启动路径的预测问题，同时提高轨迹追踪与预测的准确度。
[0006]为解决上述技术问题，本专利技术提供一种轨迹数据的追踪与预测方法，包括：
[0007]获取当前用户的待预测轨迹数据；<br/>[0008]将待预测轨迹数据进行聚类初始化得到网络初始化参数；
[0009]根据网络初始化参数对第一基模型进行参数更新，并将支持集内的轨迹数据输入至参数更新后的第一基模型以得到初始化结果，对初始化结果进行损失处理得到损失结果，其中，支持集内的轨迹数据由待预测轨迹数据与用户对应的历史轨迹数据的关系确定得到；
[0010]根据损失结果对第二基模型进行参数更新，并将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果，其中查询集内的数据为待预测轨迹数据。
[0011]优选地，将待预测轨迹数据进行聚类初始化得到网络初始化参数，包括：
[0012]获取当前用户的历史轨迹数据；
[0013]通过加权策略将历史轨迹数据构建当前用户的空间分布；
[0014]通过全连接层将空间分布转换得到当前用户的出行偏好向量；
[0015]通过全连接层对出行偏好向量进行线性映射得到查询向量；
[0016]根据查询向量与多个聚类参数进行余弦相似度得到对应的相似度分数，并组合成
相似度矩阵；
[0017]获取原始参数记忆向量和上一个待预测轨迹数据对应的网络参数与预测层全局参数，其中，首个参数记忆向量为原始参数记忆向量，网络参数由上一个待预测轨迹数据对应的损失结果得到，预测层全局参数由上一个待预测轨迹数据对应的第二基模型得到的损失结果，并根据第二基模型得到的损失结果进行处理得到的参数；
[0018]根据网络参数与原始参数记忆向量的关系确定当前参数记忆向量；
[0019]根据当前参数记忆向量与相似度矩阵的关系确定网络参数偏置；
[0020]根据预测层全局参数与网络参数偏置的关系得到网络初始化参数。
[0021]优选地，支持集内的轨迹数据由待预测轨迹数据与当前用户的历史轨迹数据的关系确定得到，包括：
[0022]获取除当前用户之外的其他用户的历史轨迹数据；
[0023]通过轨迹相似度策略在当前用户的历史轨迹数据中确定与待预测轨迹数据相似的第一目标轨迹数据；
[0024]通过出行偏好相关策略在其他用户的历史轨迹数据中确定与待预测轨迹数据相关的第二目标轨迹数据；
[0025]将第一目标轨迹数据、第二目标轨迹数据与待预测轨迹数据的待预测轨迹子序列数据存储至支持集以作为支持集内的轨迹数据。
[0026]优选地，损失结果对应的网络参数的确定过程包括以下步骤：
[0027]将支持集内的轨迹数据输入至第一基模型得到对应的时空预测向量；
[0028]将多个时空预测向量与出行偏好向量的关系确定对应的连接向量；
[0029]通过余弦相似度确定多个连接向量之间的相关性，并通过全连接层确定对应的权重值；
[0030]根据支持集内的轨迹数据对应的损失结果与权重值的关系确定损失结果对应的网络参数。
[0031]优选地，第一基模型与第二基模型的结构相同，其中第一基模型的建立包括以下步骤：
[0032]将待预测轨迹数据对应的地理区域划分为多个访问网格，并根据待预测轨迹中访问点的位置转换为由多个访问网格组成的轨迹数据；
[0033]将多个访问网格的轨迹数据转换为对应的密集向量；
[0034]获取相邻两个访问网格之间的时间间隔与真实地理距离；
[0035]将密集向量、时间间隔和真实地理距离输入至时空预测学习模型以输出各访问点对应的隐藏状态；
[0036]通过FCN全连接网络将连接向量转换为下一个访问网格的概率分布，并获取最大的概率分布作为第一基模型对应的初始化结果，其中连接向量由时空预测向量与出行偏好向量的关系确定，时空预测向量由最后一个访问点对应的隐藏状态得到。
[0037]优选地，根据初始预测结果进行损失处理得到损失结果，包括：
[0038]获取初始预测结果的真实位置的独热向量；
[0039]根据独热向量与下一个访问网格的概率分布得到对应的损失结果。
[0040]优选地，还包括：
[0041]对预测结果进行损失处理得到最终损失结果；
[0042]获取最终损失结果对应的预测层全局参数以便下一个待预测轨迹数据的追踪与预测。
[0043]为解决上述技术问题，本专利技术还提供一种轨迹数据的追踪与预测装置，包括：
[0044]获取模块，用于获取当前用户的待预测轨迹数据；
[0045]初始化模块，用于将待预测轨迹数据进行聚类初始化得到网络初始化参数；
[0046]第一输入模块，用于根据网络初始化参数对第一基模型进行参数更新，并将支持集内的轨迹数据输入至参数更新后的第一基模型以得到初始化结果，对初始化结果进行损失处理得到损失结果，其中，支持集内的轨迹数据由待预测轨迹数据与用户对应的历史轨迹数据的关系确定得到；
[0047]第二输入模块，用于根据损失结果对第二基模型进行参数更新，并将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果，其中查询集内的数据为待预测轨迹数据。
[0048]为解决上述技术问题，本专利技术还提供一种轨迹数据的追踪与预测装置，包括：
[0049]存储器，用于存储计算机程序；
[0050]处理器，用于执行计算机程序时实现如上述轨迹数据的追踪与预测方法的步骤。
[0051]为解决上述技术问题，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种轨迹数据的追踪与预测方法，其特征在于，包括：获取当前用户的待预测轨迹数据；将所述待预测轨迹数据进行聚类初始化得到网络初始化参数；根据所述网络初始化参数对第一基模型进行参数更新，并将支持集内的轨迹数据输入至参数更新后的所述第一基模型以得到初始化结果，对所述初始化结果进行损失处理得到损失结果，其中，所述支持集内的轨迹数据由所述待预测轨迹数据与用户对应的历史轨迹数据的关系确定得到；根据所述损失结果对第二基模型进行参数更新，并将查询集内的预测轨迹数据输入至参数更新后的所述第二基模型以得到预测结果，其中所述查询集内的数据为所述待预测轨迹数据。2.根据权利要求1所述的轨迹数据的追踪与预测方法，其特征在于，所述将所述待预测轨迹数据进行聚类初始化得到网络初始化参数，包括：获取所述当前用户的所述历史轨迹数据；通过加权策略将所述历史轨迹数据构建所述当前用户的空间分布；通过全连接层将所述空间分布转换得到所述当前用户的出行偏好向量；通过所述全连接层对所述出行偏好向量进行线性映射得到查询向量；根据所述查询向量与多个聚类参数进行余弦相似度得到对应的相似度分数，并组合成相似度矩阵；获取原始参数记忆向量和上一个所述待预测轨迹数据对应的网络参数与预测层全局参数，其中，首个参数记忆向量为所述原始参数记忆向量，所述网络参数由上一个所述待预测轨迹数据对应的所述损失结果得到，所述预测层全局参数由上一个所述待预测轨迹数据对应的所述第二基模型得到的所述损失结果，并根据所述第二基模型得到的损失结果进行处理得到的参数；根据所述网络参数与所述原始参数记忆向量的关系确定当前参数记忆向量；根据所述当前参数记忆向量与所述相似度矩阵的关系确定网络参数偏置；根据所述预测层全局参数与所述网络参数偏置的关系得到所述网络初始化参数。3.根据权利要求2所述的轨迹数据的追踪与预测方法，其特征在于，所述支持集内的轨迹数据由所述待预测轨迹数据与所述当前用户的历史轨迹数据的关系确定得到，包括：获取除所述当前用户之外的其他用户的历史轨迹数据；通过轨迹相似度策略在所述当前用户的所述历史轨迹数据中确定与所述待预测轨迹数据相似的第一目标轨迹数据；通过出行偏好相关策略在所述其他用户的历史轨迹数据中确定与所述待预测轨迹数据相关的第二目标轨迹数据；将所述第一目标轨迹数据、所述第二目标轨迹数据与所述待预测轨迹数据的待预测轨迹子序列数据存储至所述支持集以作为所述支持集内的轨迹数据。4.根据权利要求3所述的轨迹数据的追踪与预测方法，其特征在于，所述损失结果对应的网络参数的确定过程包括以下步骤：将所述支持集内的轨迹数据输入至所述第一基模型得到对应的时空预测向量；将多个所述时空预测向量与所述出行偏好向量的关系确定对应的连接向量；
通过余弦相似度确定多个所...
【专利技术属性】
技术研发人员：许佳捷，徐愿，
申请(专利权)人：苏州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。