[发明专利]一种轨迹识别模型训练方法及轨迹识别方法

说明书

本发明提供一种轨迹识别模型训练方法及轨迹识别方法。本发明的模型训练方法包括：S1、通过构建基于独热编码向量的语料对的方式将目标轨迹数据编码为轨迹语义向量；S2、构建用于对轨迹语义向量进行评估的循环神经网络和用于对评估结果进行分类的分类器；S3、利用标记轨迹数据对所述循环神经网络和分类器进行训练。本发明的轨迹识别方法中,采用了新的轨迹语义向量计算方法，该方法可以将不定长的轨迹段投影到定长的向量空间中。通过采用本发明的模型训练方法可以使得网络学习到不同类别的轨迹特征，通过循环神经网络识别轨迹类别。

技术领域

本发明涉及计算机领域，更具体涉及运动轨迹数据的处理和识别。

背景技术

轨迹是一系列记录并描述目标运动路径的数据。轨迹识别问题是根据 所捕捉的目标运动轨迹，分析并推测目标身份、类别、意图等信息的识别 问题。现有的轨迹识别算法包括基于聚类的轨迹识别方法、基于序列建模 的轨迹识别方法以及基于深度学习的轨迹识别方法。

基于聚类的轨迹识别方法主要包括DTW(Dynamic Time Warping，动 态时间归整)、EDR(Edit Distance on Real sequences，实序列编辑距 离)等方法，其主要思想是通过设计用于轨迹数据相似性度量的计算函数， 计算不同轨迹之间的相似程度，通过对相似轨迹进行聚类从而达到轨迹划 分的作用，进而识别不同种类的轨迹。

基于序列建模的轨迹识别方法主要包括HMM(Hidden Markov Model， 隐马尔科夫模型)、CRF(Conditional Random Field，条件随机场)等方 法，其主要思想是利用随机过程等数学模型对轨迹数据进行建模，将待识 别的轨迹的分类信息作为建模参数添加至模型之中，利用现有的标记了身 份信息的轨迹数据进行模型参数轨迹，利用极大似然估计方法估计HMM、C RF模型的参数，利用参数信息求得轨迹身份信息。

基于深度学习的轨迹识别方法是一种端到端的轨迹识别方法，包括 TULER(Trajectory-User Link on Embedding Recurrent Neural Networks)， TULVAE(Trajectory-User Link on Auto Encoding Variational)等， 该类方法的输入数据为原始轨迹数据，输出为轨迹身份的识别结果。基于 深度学习的轨迹识别方法普遍是基于循环神经网络对轨迹进行建模，循环 神经网络是一种在序列的演进方向进行递归(recursion)且所有节点(循 环单元)按链式连接的递归神经网络，其特点是网络具有记忆性并且网络参数共享，所以被广泛应用在序列数据的处理上。基于深度学习的轨迹识 别方法利用大量标记好的轨迹数据集进行网络模型的参数估计(即网络训 练)，利用训练好的网络模型可以直接进行轨迹识别。

由于轨迹数据的特殊性，即轨迹数据不定长，同时包含时间以及空间 信息，轨迹点在空间上的分布带有明显的随机性，这些特征使得现有的轨 迹识别方法在轨迹识别任务上存在不足，其具体体现在：

基于聚类的轨迹识别方法，其面临的问题是：在原始空间中，轨迹数 据呈现类内间距大、类间间距难以估计的特点，这使得基于聚类的轨迹识 别方法在轨迹识别任务上的识别精度很低，并且算法的鲁棒性不高。通常 在一类数据上表现良好的基于聚类的轨迹识别方法，在其他轨迹数据上的 识别精度有可能波动很大。

基于序列建模的方法，其面临的问题是建模难度大，由于真实的轨迹 数据特征很多，而序列模型可以考虑的因素并不多，这就给序列建模上带 来巨大的挑战，并且针对特定的应用场景以及规矩需要建立不同的序列模 型，这使得模型泛化能力很差。

基于深度神经网络的方法，其面临的问题是在轨迹长度过长的时候神 经网络会带有记忆消失性，即神经网络会遗忘较早的轨迹片段的信息，并 且基于深度神经网络的轨迹识别方法没有考虑到轨迹中不同轨迹点对轨 迹识别结果的影响是不同的，这两点就造成了基于深度学习的轨迹识别方 法在某些数据集下的表现不好。

发明内容