[发明专利]一种针对目的地预测的可量化隐私保护方法、设备及介质

权利要求书

1.一种针对目的地预测的可量化隐私保护方法，其特征在于，包括：

步骤1，获取训练数据；

获取一组历史轨迹数据集D_train并复制得到M组相同的历史轨迹数据集；

利用拉普拉斯机制，向M组历史轨迹数据集分别注入半径为r_i,i∈[0,1,…,M-1]的噪声，得到加入不同噪声的轨迹数据集：

r_i＝r₀+i×r_base,i∈[0,1,…,M-1]，

式中，表示得到的第i组轨迹数据集，其注入的噪声半径等级为i；表示第i组历史轨迹数据集中的第j条轨迹，L_D表示历史轨迹数据集的大小；r_i表示向第i组历史轨迹数据集注入的噪声半径，r₀为利用拉普拉斯机制随机生成的半径，r_base为预设的噪声基础半径；表示向轨迹注入角度随机且半径为r_i的噪声；

对每组轨迹数据集中的L_D条轨迹进行目的地预测，并根据预测结果统计计算每组轨迹数据集的隐私保护程度，然后再根据得到的隐私保护程度按照预设函数生成若干衍生值；每组轨迹数据集对应得到的隐私保护程度及其衍生值，构成一组训练样本，轨迹数据集对应的噪声半径等级i作为训练样本的标签值；

步骤2，训练保护模型；

以M组训练样本为输入、对应的标签值为输出，训练基于多重线性回归的隐私量化保护模型；

步骤3，轨迹噪声处理；

当接收到隐私保护程度需求和待保护的轨迹时，将隐私保护程度需求输入至隐私量化保护模型，输出得到轨迹待注入的噪声半径等级；所述待保护的轨迹，与历史轨迹数据集D_train中的轨迹属于同一区域；

利用拉普拉斯机制，按照隐私量化保护模型输出的噪声半径等级，向待保护的轨迹注入噪声，最终将该注入噪声后轨迹发送给位置服务器。

2.根据权利要求1所述的方法，其特征在于，所述基于多重线性回归的隐私量化保护模型，将M组训练样本及其对应标签值代入可表示为以下线性关系组：

式中，λ₀,λ₁,λ₂,…,λ_q为隐私量化保护模型的参数，∈₀,∈₂,…,∈_M-1为保护模型的偏差值，x_i,1,x_i,2,…,x_i,q分别为第i组训练样本，y_i为第i组训练样本的标签值，i∈[0,1,…,M-1]；

训练基于多重线性回归的保护模型，即为求解以下优化函数最小值所对应的参数λ₀,λ₁,λ₂,…,λ_q，优化函数为：

3.根据权利要求2所述的方法，其特征在于，在使用训练样本训练得到隐私量化保护模型后，再进一步对得到的隐私量化保护模型进行剪枝简化处理；步骤3中使用简化后的隐私量化保护模型获取轨迹待注入的拉普拉斯噪声半径等级。