[发明专利]一种基于孪生神经网络的基站标号轨迹分类方法

权利要求书

1.一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述方法包括如下步骤：

(1)历史基站标号轨迹数据集采集：首先对用户智能手机所连接基站的标号发生切换时进行数据采集，然后对采集到的数据进行轨迹分割得到大量基站标号轨迹，以形成历史基站标号轨迹数据集；

(2)基站标号向量化：基于word2vec算法对历史基站标号轨迹数据集进行分析，在此基础上为其中包含的每个基站标号生成一个具有语义的向量；

(3)基站标号轨迹相似度模型训练：基于孪生神经网络训练基站标号轨迹相似度模型，用以估计任意两条基站标号轨迹的相似度；

(4)在线基站标号轨迹分类：给定一条新的基站标号轨迹，利用基站标号轨迹相似度模型将其分类为历史基站标号轨迹类型的一种，或认定其为新的基站标号轨迹类型。

2.如权利要求1所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(2)中，基站标号向量化的过程如下：

(2-1)基站标号轨迹“文档”化：将一条基站标号轨迹看作一个“文档”，将其中包含的每个基站标号看作一个“词”，则历史基站标号轨迹数据集可看作一个“语料库”；

(2-2)基站标号向量生成：基于word2vec算法对看作“语料库”的历史基站标号轨迹数据集进行分析，得到其中包含的每个看作“词”的基站标号对应的向量。

3.如权利要求1或2所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(3)中，基站标号轨迹相似度模型训练的过程如下：

(3-1)历史基站标号轨迹数据集标注：根据用户的运动路径人工将历史基站标号轨迹分成不同类型，则任意两条基站标号轨迹的关系为1或0，1表示相同类型，0表示不同类型；

(3-2)相似度模型训练：采用孪生神经网络训练相似度模型，对网络结构的解释如下：

输入层：网络的输入为两条基站标号轨迹，记为T_A和T_B，首先将T_A和T_B中所有的基站标号替换为其对应的向量，得到两条向量序列vT_A和vT_B；然后通过尾部截断或尾部填充全0向量的方式将vT_A和vT_B处理成固定相同的长度；

循环层：循环层用两个参数完全共享的GRU网络，记为GRU_A和GRU_B，分别处理输入的vT_A和vT_B，循环层的输出为GRU_A的最后一个隐状态向量和GRU_B的最后一个隐状态向量

交互层：交互层基于余弦相似度计算和的相似度；

输出层：输出层的输出为T_A和T_B的预测相似度值，模型采用对比损失函数作为训练的损失函数。

4.如权利要求1或2所述的一种基于孪生神经网络的基站标号轨迹分类方法，其特征在于，所述步骤(4)中，在线基站标号轨迹分类的过程如下：

(4-1)历史类型中心基站标号轨迹生成：对用户标注的每一个历史基站标号轨迹类型C_i，在其包含的基站标号轨迹集中找到一条中心基站标号轨迹cT_i；

(4-2)当前基站标号轨迹分类：给定一条新的基站标号轨迹nT，基于训练好的基站标号轨迹相似度模型计算nT与每个历史基站标号轨迹类型C_i的中心基站标号轨迹cT_i的相似度值s_i，若其中最大的相似度值s_i小于指定阈值sThres，或nT中包含的无对应向量的基站标号数量大于指定阈值nThres，则输出一种新的基站标号轨迹类型nC；反之，则输出历史基站标号轨迹类型C_i；

(4-3)历史基站标号轨迹数据集扩充：若nT的分类结果为C_i，则将nT加入C_i对应的基站标号轨迹集，并重新生成C_i的中心基站标号轨迹；若nT的分类结果为nC，则将nC加入历史基站标号轨迹类型集，并将nT作为nC的中心基站标号轨迹。