[发明专利]一种基于深度学习和异步轨迹数据的用户身份识别方法

说明书

本发明提供一种基于深度学习和异步轨迹数据的用户身份识别方法，包括以下步骤：对待识别的异步轨迹数据进行预处理后输入到用户身份识别模型中对用户身份进行识别。模型使用融合双向循环神经网络对用户身份进行识别，具体如下：将超长轨迹序列输入到一维卷积层进行数据压缩；将数据压缩序列输入到一维池化层进行特征提取得到短序列；将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；将时间正序、逆序方向的轨迹特征进行合并后输入到全连接层，输出合并后的轨迹特征所对应的用户身份识别号。本发明可以解决已有方法精度受限、轨迹数据特征构建存在主观性、大规模轨迹数据采样间隔不均衡及样本序列不定长的技术问题。

技术领域

本发明涉及用户身份识别技术领域，具体涉及一种基于深度学习和异步轨迹数据的用户身份识别方法。

背景技术

身份识别是指确定用户的身份，即利用现有的数据和信息，确定某个特定对象“你是谁”的问题。常见的身份识别方式包括指纹识别、人脸识别等生物特征识别，而随着GPS、蜂窝通信网络基站定位等位置服务的大众化和普及，用户手机可以记录个人实时行为活动轨迹。必要情况下，利用这些个人行为空间信息锁定用户身份ID，了解其活动规律，可以为疫情防控、社会安全治理提供重要的信息支持。

由于人们的生活习惯、行为模式等具有一定的周期性，其移动轨迹也呈现出周期规律性，且不同用户的移动轨迹往往具有独特性，根据这些时空特征可以实现用户身份的识别。在现有技术中，进行用户身份匹配时，通常先计算其轨迹间的相似度，将相似度最大的结果认为是匹配的结果。但是，现有方法在计算相似度时通常将原始轨迹转化为地理空间或者时空维度中的序列，对这些序列进行特征提取和计算，例如通过其对某地理位置访问频率、序列间距离等，来计算序列之间的相似度，常见的相似度度量方法如余弦相似度、欧式距离、相关系数、基于信号传播的相似度等等。但这些方法在表达轨迹和计算相似度时带有较强主观性，轨迹数据采样间隔不均衡、样本序列不定长从而造成处理过程较为复杂，不利于大数据处理。

发明内容

针对现有技术存在的不足，本发明提出一种基于深度学习和异步轨迹数据的用户身份识别方法，可以解决已有方法精度受限、轨迹数据特征构建存在主观性、大规模轨迹数据采样间隔不均衡及样本序列不定长的技术问题。

本发明采用的技术方案如下：

第一方面，提供了一种基于深度学习和异步轨迹数据的用户身份识别方法；

在第一种可实现方式中，包括以下步骤：

对待识别的异步轨迹数据进行预处理；

将通过预处理的待识别异步轨迹数据输入到用户身份识别模型中，对用户身份进行识别；所述用户身份识别模型使用融合双向循环神经网络构建得到。

结合第一种可实现方式，在第二种可实现方式中，用户身份识别模型使用融合双向循环神经网络对用户身份进行识别，具体如下：

将超长轨迹序列输入到一维卷积层进行数据压缩，得到数据压缩序列；

将数据压缩序列输入到一维池化层进行特征提取，得到短序列；

将短序列输入进双向门控循环单元中，分别沿时间正序和时间逆序学习轨迹特征；

将时间正序方向、时间逆序方向的轨迹特征进行合并，输入到全连接层；

由全连接层输出合并后的轨迹特征所对应的用户身份识别号。

由上述技术方案可知，本发明的有益技术效果如下：