[发明专利]一种轨迹相似度计算方法

说明书

本发明公开了一种轨迹相似度计算方法，本发明为了度量轨迹间的时空相似度，提出了一个新颖的RSTS模型来学习轨迹代表。在模型中考虑了轨迹中的时间成份。采用提出的时空感知的损失函数后，该模型可以学习到暗藏在大量历史轨迹中的精确移动路线中的位置转移模式，并且将这些学习到的轨迹时空特征编码到轨迹代表向量中用于轨迹相似度计算。通过开展了广泛的实验研究，实验结果证实了基于本方法学习到的轨迹代表进行轨迹相似度计算，对低质量的轨迹仍然具有鲁棒性。

技术领域

本发明涉及数据挖掘技术领域，具体涉及一种轨迹相似度计算方法。

背景技术

随着位置追踪设备(如车辆导航系统和智能手机)和基于GPS的应用(如谷歌地图，百度地图，滴滴)的持续发展，轨迹数据的数量正在飞速增长。轨迹相似度度量作为时空数据库分析中的一个基本功能，已经被大量学者们广泛研究。面向多种不同或相同的应用场景，大量的方法被提出用于度量轨迹间的相似度。

已经存在的方法通常假设采样获得的轨迹具有一个统一的、连续的采样率，如果两条轨迹中的大部分采样的位置点都能形成一对一的点匹配，那么认为这两条轨迹是相似的。然而，对于不同的采样设备，由于各种各样的原因，采样率往往会发生变化。导致采样率不统一的原因，包括但不限于电池容量限制，间歇性的信号中断，以及不同的系统设定。在这种情况下，基于点匹配的方法是无效的，EDwP方法因此被提出通过动态插入位置点来进行轨迹匹配，以此来解决位置点采样率不统一的问题。接着，t2vec借鉴深度学习的方法，通过学习轨迹代表来度量轨迹间的相似度。然而，在t2vec模型中，轨迹中的时间信息被忽略了，由于没有衡量轨迹间时间维度的差异，因此它不能用于检索时空数据库中基于时空相似度的查询。在这种查询中，轨迹中的时间信息和空间信息显得同样重要，当计算轨迹的时空相似度时，这两种信息均是不可或缺的。

发明内容

针对现有技术中的上述不足，本发明提供的一种轨迹相似度计算方法解决了现有轨迹相似度计算方法未同时考虑时间信息和空间信息的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种轨迹相似度计算方法，其包括以下步骤：

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。

进一步地，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。