[发明专利]一种基于后缀树误差有界的轨迹预测方法

说明书

本发明公开了一种基于后缀树误差有界的轨迹预测方法。历史轨迹输入到深度学习模型中进行处理获得预测轨迹，将历史轨迹存储到后缀树中，当有新的预测请求时，在后缀树中找到相似的轨迹作为预测结果，由后缀树直接返回预测结果。本发明能在后缀树中找到相似轨迹，由后缀树直接返回预测结果，无需进入神经网络进行预测，极大提高了轨迹预测的效率。

技术领域

本发明涉及数据库领域中的时空索引方法，具体涉及到一种基于后缀树误差有界的轨迹预测方法。

背景技术

随着近年来移动互联网的迅速崛起，智能手机、车载GPS系统等持续不断地记录着用户的位置信息，众多服务商们利用这些轨迹数据来更好的为用户们提供商品以及服务，因此极大促进了轨迹大数据的发展。轨迹的最普遍形式是一个由位置坐标和相应时间组成的序列，其中坐标通常为二维坐标，例如经度和纬度。

在轨迹大数据的应用中，一个热门问题就是对轨迹数据的预测。随着人工智能技术的兴起，越来越多的研究工作使用神经网路对移动物体的轨迹进行预测，即将该对象的历史轨迹输入模型，模型输出该对象在未来一段时间内的预测轨迹。虽然利用神经网络对轨迹进行预测取得了比传统线性模型更好的准确率，但是一个最主要的问题就是其预测性能相较于线性模型是非常低下的。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于针对现有技术的不足，提供一种基于后缀树误差有界的轨迹预测方法，将神经网络的预测结果以键值对的方式存储到后缀树中。

本发明解决其技术问题采用的技术方案如下：

历史轨迹输入到深度学习模型中进行预测处理获得预测轨迹，将历史轨迹存储到后缀树中，当有新的预测请求时，在后缀树中找到相似的轨迹作为预测结果，由后缀树直接返回预测结果，无需进入复杂的深度模型进行预测，极大的提高了轨迹预测的效率。

所述的方法步骤如下：

轨迹是由移动对象所产生的位置坐标沿时间顺序所构成的序列，信息由平面二维坐标(x，y)和对应的时间组成，轨迹分为历史轨迹和预测轨迹。

具体实施的位置坐标例如为纬度坐标。

轨迹包含事先已知的历史轨迹以及由深度学习模型输出的预测轨迹两部分。

所述的深度学习模型采用神经网络模型。

1)确定轨迹集合的位置坐标的取值范围并转为网格坐标表示

1.1)由所有历史轨迹和预测轨迹组成轨迹集合，针对轨迹集合的所有轨迹的位置坐标中选取横坐标和纵坐标的最小值x_min、y_min和最大值x_max、y_max，由以上坐标组成四角顶点坐标分别为(x_min，y_min)、(x_min，y_max)、(x_max，y_max)、(x_min，y_max)的矩形，作为路网区域；

1.2)根据粒度将路网区域划分为相等的格子，各个格子按照自身在路网区域中的行列顺序进行横纵坐标的坐标编号；

1.3)将历史轨迹转换成路网区域的格子坐标：历史轨迹上的各个位置坐标替换为所在格子的格子坐标编号，从而将历史轨迹转换为路网历史轨迹序列；

2)使用局部敏感性哈希函数将路网历史轨迹序列进行聚类：

使用局部敏感性哈希函数聚类时，使得每一个类中任意两条估计的距离不大于d：