[发明专利]一种轨迹相似度计算方法

权利要求书

1.一种轨迹相似度计算方法，其特征在于，包括以下步骤：

S1、对原始轨迹数据进行预处理后通过添加噪声生成对应的噪声轨迹数据；建立初始的基于代表的时空相似度计算模型；基于代表的时空相似度计算模型包括编码器和解码器；编码器和解码器均包括若干依次相连的神经网络；

S2、将原始轨迹数据和其对应的噪声轨迹数据分布转化为时空格子编码序列，对应得到时空格子原始编码序列和时空格子噪声编码序列；

S3、将一条时空格子噪声编码序列作为当前的基于代表的时空相似度计算模型的编码器的输入进行前向计算，得到代表向量；

S4、将代表向量和时空格子原始编码序列作为当前的基于代表的时空相似度计算模型的解码器的输入进行前向计算，得到预测的序列和隐藏层状态序列；

S5、基于预测的序列、隐藏层状态序列和损失函数，采用梯度下降法更新当前的基于代表的时空相似度计算模型的参数；

S6、计算当前的基于代表的时空相似度计算模型的损失；

S7、判断损失是否降低，若是则保留当前的基于代表的时空相似度计算模型并返回步骤S2；否则进入步骤S8；

S8、判断损失未降低的次数是否大于阈值，若是则输出当前的基于代表的时空相似度计算模型并进入步骤S9；否则返回步骤S2；

S9、采用当前的基于代表的时空相似度计算模型进行轨迹相似度计算。

2.根据权利要求1所述的轨迹相似度计算方法，其特征在于，步骤S1中对轨迹数据进行预处理的具体方法为：

将长度不在设定范围的原始轨迹数据进行删除，将空间坐标不在设定范围的原始轨迹数据进行删除，完成对原始轨迹数据的预处理。

3.根据权利要求1所述的轨迹相似度计算方法，其特征在于，步骤S1中通过添加噪声生成对应的噪声轨迹数据的具体方法为：

对于预处理后的原始轨迹数据，采用5种不同的下采样概率生成5条下采样轨迹；对于每一条下采样轨迹，采用4种不同的噪声偏移概率添加噪声生成4条噪声轨迹，即每一条原始轨迹数据对应20条噪声轨迹。

4.根据权利要求1所述的轨迹相似度计算方法，其特征在于，步骤S2中将轨迹数据转化为时空格子编码序列的具体方法包括以下子步骤：

S2-1、以地图的经度和维度作为X轴和Y轴、以时间作为Z轴构建三维空间，将三维空间划分为若干同样大小的格子，得到时空格子，并对时空格子进行编号；

S2-2、根据轨迹数据中的位置点和时间信息将该轨迹数据中的每个轨迹点与时空格子进行对应，将时空格子的编号作为与其对应的轨迹数据的编码值；

S2-3、将出现频次小于阈值的轨迹数据编码值替换为其邻居编码值，对所有编码值重新计数并按照从小到大重新编号；

S2-4、将选取的轨迹数据补齐至该批轨迹数据中最长轨迹的长度，并在当前每条轨迹数据的首位添加一个首位标志；

S2-5、将当前每条轨迹数据的位置点替换成与其对应的最新编号值，并在该轨迹数据的末尾添加末尾标志，得到时空格子编码序列；其中所有最新编号值构成词汇表。

5.根据权利要求4所述的轨迹相似度计算方法，其特征在于，步骤S2-4中补齐的具体方法为添加负数；步骤S2-4中的首位标志和步骤S2-5中的末尾标志均为负数；其中补齐用的负数与首位标志用的负数不同，补齐用的负数与末尾标志用的负数不同。

6.根据权利要求1所述的轨迹相似度计算方法，其特征在于，步骤S3中基于代表的时空相似度计算模型的编码器进行前向计算的具体方法为：

将输入的编码序列的第一个编码值输入编码器的第一个神经网络B₁，将输入的编码序列的第n个编码值和第n-1个神经网络B_n-1的隐藏层状态输入编码器的第n个神经网络B_n中获取编码器第n个神经网络B_n的隐藏层状态，将编码器的最后一个神经网络的输出作为代表向量；其中n≥2。