[发明专利]区域栅格化与时间片段化融合的长时空轨迹预测方法

权利要求书

1.一种区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，包括：

步骤1，将一段连续的时空轨迹和目标时间点，通过时间片段化及区域栅格化处理为粗粒度时空轨迹，并通过时间向量化和空间向量化表示为细粒度时空轨迹；

步骤1.1，将地图等分成形状大小相同的栅格；

步骤1.2，将一段时间等分成时间片段；

步骤1.3，取三维矩阵其中，所述三维矩阵的前两维表示栅格，第三维表示时间片段，将时空轨迹中对应时间片段的轨迹点填入三维矩阵重复本步骤D-1次，得到粗粒度时空轨迹

步骤2，提取所述粗粒度时空轨迹的时空特征；

步骤3，提取所述细粒度时空轨迹的时空特征；

步骤4，整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点；

步骤4.1，取的第三维度的第i个时间片段，记作是一个三维矩阵，与真实的粗粒度轨迹的的相对应，是的预测值，f指代某一条轨迹，D代表粗粒度轨迹长度，是一个三维矩阵，前两维对应一个实际的区域，第三维代表各时间片段，值代表某区域在某一时间片段的访问次数；

步骤4.2，取前k个栅格中的轨迹点根据进行由大到小排序，得到排序列表其中，是的估计值，MLP()是多层全连接网络，将映射到向量的大小为轨迹点的个数，值代表每个轨迹点被访问的可能性，值越大，可能性越高；

步骤4.3，取序列表中的第一个值对应的轨迹点，作为预测轨迹点

2.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤2中，通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特征。

3.根据权利要求2所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤2中，使用卷积网络提取所述粗粒度时空轨迹的空间特征；使用卷积循环网络提取时间特征和空间特征。

4.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法，其特征在于，步骤3中包括：

步骤3.1，将轨迹点输入到循环网络中，得到隐藏状态其中，代表轨迹点，s指代某一条轨迹，下标1指代轨迹中的第1个轨迹点，是轨迹点的向量表示；

步骤3.2，计算向量序列其中，代表写入信息向量，用于向区域栅格记忆中进行写入，代表阅读键值，用于从区域栅格记忆中进行读取，MLP(.)是多层线性映射，[,]为拼接两个向量，所述两个向量包括和

步骤3.3，区域栅格记忆写入，设矩阵此矩阵代表区域栅格记忆在第0次更新的状态，n是栅格的个数，c是特征数，R表示实数，取进行如下操作，得到其中，M是区域栅格记忆矩阵，s指代任意序列，下标代表第几次更新：

步骤3.31，从中取轨迹点所在栅格对应的那一行其中，M是区域栅格记忆矩阵，s指代任意序列，l-1代表第l-1次更新，代表矩阵中，轨迹点实际所在空间区域栅格所对应的那一行向量；

步骤3.32，利用循环网络RNN()更新公式如下：

步骤3.33，将替换中的替换后的矩阵记作其中，代表矩阵中，轨迹点实际所在空间区域栅格所对应的那一行向量；

步骤3.4，区域栅格记忆读取，通过：

得到读向量序列其中，表示取的第i行，β_i是第i行权值，exp(.)是指数函数；

步骤3.5，获得预测向量序列

其中，MLP(.)是多层线性映射，[,]为拼接其中的向量，exp(.)是指数函数，是时间片段注意力权值。