[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

说明书

本发明实施例提供了一种轨迹预测方法，包括根据用户的实时轨迹数据，使用经用于训练轨迹预测模型的方法得到的轨迹预测模型进行轨迹预测，得到轨迹预测结果，本发明将时空轨迹数据分为近期轨迹数据、短期历史数据和长期历史数据，利用第一多头注意力机制网络的编码模型捕捉长期历史数据中各轨迹点的长期时空关系，利用循环神经网络编码模型捕捉短期历史数据中各轨迹点的短期时空关系，并利用第二多头注意力机制网络的编码模型根据长期和短期时空关系的相似度对短期时空关系进行调整，实现了历史轨迹的全局依赖，用近期轨迹数据和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后将其作为轨迹预测模型，提高了轨迹预测的准确性。

技术领域

本发明涉及信息技术领域，具体来说时空轨迹预测领域，更具体地说，涉及一种用于训练轨迹预测模型的方法和轨迹预测方法。

背景技术

位置预测是基于位置服务的一项基础技术，定位传感器的应用以及定位手段的普及，可以得到大量的轨迹数据。基于历史轨迹数据进行位置预测从而进行位置服务便成了目前研究的热点。位置预测目前常用的方法有基于模式和模型两种。

基于模式的方法从历史轨迹中提取出轨迹模式，如频繁模式和序列模式，利用提取出的模式来预测下一个位置。尽管模式方法也较为常用，但是发现有意义的模式并不是一件容易的事，需要人工干预来判断是否是有意义的模式。

基于模型的方法可以取得比基于模式的方法更好的性能，常用的基于模型的方法有：

基于隐马尔可夫模型的方法，其使用隐马尔可夫模型对用户历史轨迹进行建模，然后利用该模型来预测下一个可能的位置。

基于循环神经网络模型的方法，其使用循环神经网络能在序列神经网络建模中获得很好的效果，但是序列计算的基本约束仍然存在，还是不能很好地捕捉长期上下文信息。

目前的方法存在搜索域过大的问题，由于物理世界的因素限制，相邻点坐标之间的距离一定相近，按照常用采样时间间隔如果上一点在中国下一点不可能在美国或欧洲。对现有方法的预测错误的结果分析时发现存在大量的此类突破物理限制的点。

因为现有的方法中，对所有时期的轨迹数据通常采用同一模型进行处理，比如循环神经网络模型。循环神经网络模型可以对短期的上下文信息进行很好地捕捉，但是不能很好地捕捉长期上下文信息，难以实现历史轨迹的全局依赖，导致轨迹预测的准确性不高。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种用于训练轨迹预测模型的方法和轨迹预测方法。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种用于训练轨迹预测模型的方法，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；

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。

在本发明的一些实施例中，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；