[发明专利]一种基于深度学习的时空轨迹数据质量增强方法及装置

说明书

本发明公开了一种基于深度学习的时空轨迹数据质量增强方法及装置，该方法包括：获取预定空间内的原始时空轨迹数据；根据所述原始时空轨迹数据，构建轨迹图像训练对，所述轨迹图像训练对包括低分辨率轨迹图像和相应的高分辨率轨迹图像；以所述低分辨率轨迹图像作为输入，使用图像超分辨率重建技术生成超分辨率轨迹图像；利用基于卷积神经网络的图像嵌入模型将所述超分辨率轨迹图像和与之对应的所述高分辨率轨迹图像到低维向量空间中，得到低维轨迹向量，完成时空轨迹数据质量的增强。本发明将图像超分辨率重建技术引入到轨迹质量增强问题中，有效地缓解了不一致采样率和噪声对轨迹数据质量影响。

技术领域

本发明涉及时空数据挖掘领域，尤其涉及一种基于深度学习的时空轨迹数据质量增强方法及装置。

背景技术

随着移动终端的兴起和定位技术的日趋成熟，基于位置信息的应用在人们的生产生活当中得到了前所未有的广泛应用。然而在现实中收集到的轨迹数据普遍存在一定程度的低质量问题，低质量轨迹数据会显著影响到轨迹数据挖掘的效果。这种低质量主要体现在两方面：

1.不一致采样率：由于不同的传感器、传感器设置以及通信条件，不同的轨迹往往会有不同的采样率。甚至对于同一条轨迹，在不同的轨迹段上也会有不同的采样率；

2.噪声：现实中的轨迹数据通常是带有噪声的，即轨迹点坐标取值会在一定程度上偏离其真实值。这些噪声通常是由信号阻塞、大气条件以及传感器的自身的设计等原因造成的。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：

1、以轨迹的序列形式作为轨迹表示进行轨迹数据挖掘极易受到不一致采样率和噪声的影响。

2、基于循环神经网络(RNN)的轨迹表示方法通过序列预测的方式来修补那些缺失的或受到噪声干扰的轨迹点。但基于RNN的方法会在测试阶段遇到误差累积的问题，即模型依靠上一步预测的结果来预测下一个轨迹点，而之前预测出的轨迹点很可能并不存在于训练数据当中，因此预测误差会在轨迹序列的生成过程中累积。此外，RNN对轨迹点的预测只能基于之前的输入，不能考虑到之后的输入。但实际上，下一步的轨迹位置点不仅取决于上一步的位置，还会和之后的位置有关。

综上所述，目前时空轨迹挖掘会遇到不一致采样率和噪声导致的低质量轨迹问题，而现有的方法有如上列举的缺点。如何克服轨迹的低质量问题并进而提升轨迹数据的质量是本发明要解决的问题。

发明内容

本发明实施例的目的是提供一种基于深度学习的时空轨迹数据质量增强方法及装置，以解决不一致采样率和噪声影响轨迹数据质量的问题。

根据本申请实施例的第一方面，提供一种基于深度学习的时空轨迹数据质量增强方法，包括：

获取预定空间内的原始时空轨迹数据；

根据所述原始时空轨迹数据，构建轨迹图像训练对，所述轨迹图像训练对包括低分辨率轨迹图像和相应的高分辨率轨迹图像；

以所述低分辨率轨迹图像作为输入，使用图像超分辨率重建技术生成超分辨率轨迹图像；

利用基于卷积神经网络的图像嵌入模型将所述超分辨率轨迹图像和与之对应的所述高分辨率轨迹图像到低维向量空间中，得到低维轨迹向量，完成时空轨迹数据质量的增强。

进一步地，获取预定空间内的原始时空轨迹数据，包括：

从地图中选取预定区域，所述区域内存在大于预定数量的原始时空轨迹数据。

进一步地，获取预定空间内的原始时空轨迹数据之后，还包括：

对所述区域进行缩放，得到预定大小的图像。

进一步地，根据所述原始时空轨迹数据，构建轨迹图像训练对，包括：