[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

说明书

本发明属于时空轨迹建模与特征提取技术领域，公开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：所述方法包括：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。本发明所述预测方法通过将连续的长时空轨迹时间片段化、区域栅格化，然后通过粗粒度片段化栅格卷积模块，细粒度时空轨迹预测模块，粗细联合预测模块，对未知轨迹点进行预测。

技术领域

本发明涉及时空轨迹建模与特征提取技术领域，具体涉及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。

背景技术

近年来，以滴滴打车、美团外卖和百度地图为代表的用于旅行规划和日常生活的新兴移动应用程序和服务已经成为我们生活中不可缺少的一部分，这些应用可以通过用户的旅行记录来预测其旅行行为，从而为用户提供更加个性化的服务。但是，用户时空轨迹的复杂性会严重影响其未来位置预测的准确性。例如，人们在工作日以相对固定的时间往返于办公室和住宅，而在周末，人们的选择范围为更广，出行时间也更加随意。因而，针对更有规律的工作日轨迹更容易被预测。

此外，研究表明，不仅仅是离家近的区域，一些城市公共区域也在吸引人们，如大型购物中心和美食街，这就引起用户轨迹的更加不确定性和复杂性，与此同时，还有一些用户的活动规律需根据其长期轨迹才能发现，例如，某用户会在每个月的固定一天去较远的超市购买打折商品，这种长期规律往往隐藏在大量的用户移动轨迹点中，难以发现。

时空轨迹建模与特征提取，是指对一系列根据时间变化的轨迹点进行建模与特征提取，并在给定时间的情况下，预测未知的轨迹点。

对于具有长时间复杂变化的时空轨迹，难以直接使用效果很好的基于卷积的时空模型，基于卷积的时空模型可以在不破坏空间相对位置信息的条件下，同时捕捉复杂变化的时空规律，已经成功应用于图像，交通等很多领域的时空序列分析。但对于时空轨迹而言，需要定位到每个轨迹点，而不仅仅是一段区域，基于卷积的时空模型往往只能定位到区域，太细粒度的空间划分会导致非常大的计算开销，同时也会让有效数据变得十分稀疏，不利于时空建模。

对于现有的其他时空轨迹预测模型，往往不能像基于卷积的时空模型那样，在保留轨迹点空间相对位置的情况下，进行时空分析，现有时空分析模型，诸如ST-RNN[2]，HST-LSTM[3]，STGCN[4]等，将时空信息作为循环神经网络结构中的门控制信息，以此来对时空信息进行建模，这种方法即使可以定位到轨迹点，但相较于基于卷积的时空模型，这些方法不能在建模时保留轨迹点的空间相对位置，因而没有直接利用到轨迹点的空间相对位置信息，难以应对轨迹的复杂空间变化。此外，由于缺少外部存储机制，这些方法也无法对长期轨迹变化进行很好的建模。

而一些较为普适性的时序模型也难以对复杂的长时空轨迹进行很好的建模，例如传统的LSTM[5]，或者针对长序列设计的NTM[6]，DNC[7]等，这些方法在建模时没有单独考虑空间信息，因而难以捕捉时空轨迹复杂的空间变化。

现有的长时空轨迹特征提取方法，一种是名为STGCN的循环神经网络模型，在文章“Where to go next:A spatio-temporal gated network for next POIrecommendation”被提出并使用。

STGCN模型中有两个时间门和两个距离门，一对时间门和距离门被用来利用时间间隔和距离间隔来捕捉短期兴趣，另一对时间门和距离门用来记忆时间间隔和距离间隔来模拟长期兴趣。此外，STGCN模型通过耦合输入门和忘记门来减少参数的数量，使得模型用于解决各种时空序列的特征提取问题时更有效。