[发明专利]一种用于训练轨迹预测模型的方法和轨迹预测方法

权利要求书

1.一种用于训练轨迹预测模型的方法，其特征在于，所述方法包括：

A1、获取包含以稠密向量表示的多个目标的轨迹段的时空轨迹数据，并按照时间由近及远切割为近期轨迹数据、短期历史数据和长期历史数据；

A2、用长期历史数据训练第一多头注意力机制网络的编码模型以捕捉长期历史数据中各轨迹点的长期时空关系；

A3、用短期历史数据训练循环神经网络编码模型以捕捉短期历史数据中各轨迹点的短期时空关系；

A4、用所述长期时空关系和所述短期时空关系训练第二多头注意力机制网络的编码模型以根据长期时空关系和短期时空关系的相似度对短期时空关系进行调整，得到经调整后的短期时空关系，其中，将长期时空关系作为查询、短期时空关系作为键和值输入第二多头注意力机制网络的编码模型；

A5、用所述近期轨迹数据和所述经调整后的短期时空关系训练第三多头注意力机制网络的解码模型，得到所述轨迹预测模型，其中，第三多头注意力机制网络的解码模型包括带掩码的多头注意力机制模型和正常的多头注意力机制模型，将近期轨迹数据作为查询、键和值输入带掩码的多头注意力机制模型以根据近期历史数据中的各轨迹点的上下文信息捕捉各轨迹点的近期时空关系，将近期时空关系作为查询、经调整后的短期时空关系作为键和值输入所述正常的多头注意力机制模型以训练第三多头注意力机制网络的解码模型。

2.根据权利要求1所述的用于训练轨迹预测模型的方法，其特征在于，所述步骤A1包括：

A11、从数据库中获取以稀疏向量表示的多个目标的时空轨迹数据并对其进行预处理，得到多个轨迹段；

A12、对所述多个轨迹段进行数据映射，以将稀疏向量映射到稠密向量，得到包含以稠密向量表示的多个目标的轨迹段的时空轨迹数据；

A13、将包含以稠密向量表示的多个目标的轨迹段的时空轨迹数据根据预设切割规则按照时间由近及远切割为近期轨迹数据、短期历史数据和长期历史数据。

3.根据权利要求2所述的用于训练轨迹预测模型的方法，其特征在于，所述步骤A11包括：

A111、从数据库中获取以稀疏向量表示的多个目标的时空轨迹数据，每个目标包括一个或者多个轨迹段；

A112、对获取的以稀疏向量表示的多个目标的时空轨迹数据进行预处理，包括：

A1121、将存在时间差大于等于预设时间阈值的相邻的两个轨迹点的轨迹段从所述相邻的两个轨迹点之间进行切割，以将该轨迹段切割为两个或者多个轨迹段；

A1122、删除包含轨迹点的数量少于第一预设点数的轨迹段；

A1123、删除包含的轨迹段的段数少于预设段数的目标。

4.根据权利要求3所述的用于训练轨迹预测模型的方法，其特征在于，所述预设时间阈值是72小时，所述第一预设点数为5个，所述预设段数是5段。

5.根据权利要求2所述的用于训练轨迹预测模型的方法，其特征在于，所述步骤A13包括：

A131、预设三个时间区间，分别为有轨迹记录数据以来的第一时间节点内、第一时间节点至第二时间节点之间、第二时间节点之前，并将属于这三个时间区间的轨迹段分别作为近期轨迹数据、短期历史数据和长期历史数据，其中，所述第一时间节点和第二时间节点的取值由用户根据需要进行设定；

A132、将以稠密向量表示的多个轨迹段进行切割，以将跨越任意时间区间的轨迹段从其分属两个区间的两个相邻轨迹点处切割为两段；

A133、将短期历史数据中包含轨迹点的数量大于第二预设点数的轨迹段从该轨迹段的位于第二预设点数处的轨迹点和其下一个轨迹点间切割为两段并删除此次切割后轨迹点的数量少于第一预设点数的轨迹段。

6.根据权利要求5所述的用于训练轨迹预测模型的方法，其特征在于，所述第二预设点数为20个。