[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

说明书

本发明通过人工智能领域的方法，实现了一种基于深度生成模型的车辆轨迹数据生成系统，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，编码器学习输入的每个原始车辆轨迹的内在特征，通过神经网络方法进行运算处理，最终输出合成的车辆轨迹。本发明的方案捕捉原始轨迹数据的交通合理性，并生成隐私保护和可研究利用的合成轨迹数据。从隐私保护的角度排除了生成轨迹和原始轨迹之间的对应关系。从可用性的角度具有真实轨迹交通合理性的合成轨迹，可以代替某些实际场景的真实数据。

技术领域

本发明涉及物联网领域，尤其涉及一种基于深度生成模型的车辆轨迹数据生成系统。

背景技术

在车联网、智慧城市等场景下存在着大量的智能化服务。其中车辆数据是这些服务的基石，所有的智能化服务和应用都是依托于海量的数据支持而产生的。一方面，轨迹数据帮助人们解决城市中的一切问题，例如，可以利用车辆的历史轨迹来预测其未来的行驶路线，以便我们可以通过控制交通信号来缓解交通拥堵[]。另一方面，轨迹数据的敏感性引发了法律上的隐私担忧。在不保留隐私的情况下直接发布大规模轨迹数据会违反诸如通用数据保护法规(GDPR)[]之类的隐私保护法规，这就是为什么现实世界中的可用轨迹数据如此有限的原因。如果我们能够提供一个有效的隐私保护轨迹数据生成器，将可以为智能化服务的发展提供足够的数据支持而不需要担心隐私泄露。产生实用的轨迹数据非常具有挑战性，该轨迹数据不仅需要消除隐私信息，还需要隐含真实数据所包含的固有特征和空间模式。

现有技术方案及存在的问题：轨迹数据的隐私保护的常规方法可以分为两类：

第一类关注于轨迹本身，主要是通过将噪声添加到每个轨迹点以实现隐私保护。一种方案类型主要是基于地理不可区分性去保护轨迹，它采用一种基于距离和方向的机制来满足差分隐私。它主要是根据下一个轨迹点的方向以及当前轨迹点和终点轨迹点之间的距离采样拉普拉斯噪声，并将其添加到下一个轨迹点。另一种方法基于差分隐私的“δ-位置集”，它结合用户位置之间的时间相关性，并在每个时间戳上保护实际位置。这种方法实现了用于位置扰动的平面各向同性机制(PIM)。

第二类关注于轨迹数据流的发布。Cao等人设计了一种算法来满足每个长度轨迹统计中的轨迹的隐私性。他们为分配给其长度轨迹的每个用户获得隐私预算，并引入贪婪算法(GA)和全局最相似(MMD)的方法，以基于l-轨迹隐私进行动态隐私预算分配。王等人提出了一种具有ω事件隐私保护(RescueDP)的在线聚集监控方案，该方案包括自适应采样，自适应预算分配，动态分组，扰动和过滤，并考虑了实现时空数据释放的数据动态。马等人介绍了一种具有不同隐私的隐私保护机制以可以保护车辆轨迹数据的发布。该方案使用基于用户位置转换概率矩阵的集成卡尔曼滤波器来执行预测计算，以控制实际场景中的噪声方向。上述工作主要是通过动态分配隐私预算或控制采样噪声的方向，将经过仔细校准的噪声添加到原始轨迹，从而覆盖原始轨迹的隐私位置。但是，这些方法保护了原始轨迹的位置信息，但降低了数据实用性，这导致它们在数据挖掘中生成的轨迹数据的性能较差。