[发明专利]一种基于深度生成模型的车辆轨迹数据生成系统

权利要求书

1.一种基于深度生成模型的车辆轨迹数据生成系统，其特征在于：系统结构由两个部分组成：轨迹到轨迹生成器和轨迹到路线判别器，生成器分为编码器和解码器，均采用神经网络方法设计，所述编码器学习输入的每个原始车辆轨迹的内在特征，并将轨迹投影到潜在空间，然后，通过随机采样技术从空间中获取潜在表示，并将其馈送到所述解码器生成合成轨迹，之后对原始轨迹数据和道路网进行预处理，得到每条轨迹的底层路径，最后将真实轨迹和合成轨迹的路段序列提供给所述路线判别器进行真假判别，并将其传递给所述轨迹生成器，提升合成轨迹数据的性能，最终输出合成的车辆轨迹；

所述轨迹生成器将真实轨迹通过所述编码器编码为高斯分布，所述解码器从分布中提取潜在代码；

所述路线判别器采用神经网络方法实现；

所述编码器由双向LSTM神经网络组成，按照轨迹的时间顺序依次读入原始轨迹点的经纬度坐标，并输出原始轨迹数据对应的潜在编码，将其输入到多层感知机中，多层感知机将潜在编码拟合为多元高斯分布，并从中随机采样得到高斯分布的随机变量并被输入到解码器中，

所述编码器的所述双向LSTM神经网络将编码器处理轨迹的过程公式化为：

其中，τ和τ_r分别表示真实轨迹的正向和逆向轨迹点序列，h^e表示由正向隐藏状态和逆向隐藏状态构成的组合隐藏状态，为了进一步编码轨迹的特征，将h^e输入一个多层感知机去拟合一个多元的高斯分布：

其中，μ和σ分别表示平均参数和非负标准差参数的向量，基于μ和σ，编码器构建一个多元的高斯分布它包含了原始轨迹的特征信息，接着从该分布中随机采样并将样本作为潜在编码z：

其中⊙为元素积；

所述解码器由多层感知机和单向LSTM神经网络组成，它接收到变量后连续生成新的合成轨迹，

所述单向LSTM神经网络捕获连续轨迹点间的连续依赖关系，编码器通过潜在编码z去解码并生成轨迹点

其中，为解码器LSTM的第i个潜在编码，它可以被多层感知机转化为对应第i个轨迹点W^d和b^d分别为多层感知机的参数矩阵和偏差向量，tanh表示Tanh函数，通过前一个轨迹点和潜在编码z可以生成下一个轨迹点最终得到合成轨迹

所述轨迹生成器的损失函数由两个部分构成：第一部分为生成器的重构误差，它被用来衡量真实轨迹和生成轨迹之间的差距，表示为：

其中，t是每个轨迹的时间步长度，n∈[1,N]为训练次数的索引，第二部分为生成轨迹和原始轨迹之间的分布误差因此生成器的误差函数可以被定义为：

其中，ω_KL随着训练过程不断变换的参数；

所述路线判别器通过对抗训练，将轨迹合成器产生的轨迹映射回到道路网络上，其实现分为数据预处理、轨迹-路线转换机制、对抗训练三个部分：

所述数据预处理部分将原始轨迹数据处理为其经过的路段序列，首先从Open StreetMap获得对应城市的道路网络，然后将道路网络的边id重新标记为更小的整数，最后，通过快速道路匹配将每一条轨迹数据转换路网上的路段序列；

所述轨迹-路线转换机制部分构架一个轨迹到路线的转换机制，由多层感知机构成，首先，将生成器产生的最后一个潜在编码输入到该机制中：

然后，轨迹-路线转换机制利用softmax将编码解码为一个one-hot形式的道路id序列：

重复这个公式，获得合成轨迹对应的路线；

所述对抗训练部分在所述生成器和转换机制构成的神经网络基础上，通过对抗训练去纠正生成器轨迹的路线偏差问题，从而提高合成轨迹的可用性，具体地：

y＝W^disR_τ+b^dis

其中，R_τ和分别真实轨迹和合成轨迹对应的路线的路段id序列，y∈[0,1]是R_τ为真实样本的概率；而训练中的损失函数采用交叉熵去计算两者间的误差：

采用最小化损失函数的方法实现优化。