[发明专利]轨迹生成模型训练方法、轨迹生成方法及装置

说明书

本发明提供一种轨迹生成模型训练方法、轨迹生成方法及装置，该训练方法包括：将历史移动数据输入到逆向生成模型，得到对应的隐含移动特征；将隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布；训练并优化由逆向生成模型和轨迹生成模型共同构成的变分时间点过程模型，得到轨迹生成模型。本发明提供的轨迹生成模型训练方法、轨迹生成方法及装置，在保留了神经网络模型的强大建模能力、捕获了序列数据中的不确定性的同时提升了其可解释性，且能够通过基于概率模型的数据交互机制有效的引入专家知识，有更强的灵活性、建模能力，对不均衡数据的高度适应性和鲁棒性，在移动数据生成问题上具有巨大的潜力。

技术领域

本发明涉及计算机技术领域，尤其涉及一种轨迹生成模型训练方法、轨迹生成方法及装置。

背景技术

移动生成(Trajectory Generation)是指对人类在未来一段时间内(通常以X天为单位)的移动轨迹进行估计，典型的应用场景是在移动自组织网络或蜂窝网络中，基于合成轨迹模拟网络用户的移动和通信，以对网络进行可靠的性能分析。早期的方法基于统计模型或概率模型对人类移动过程进行建模。然而，这些模型对人类移动行为进行了过度的简化假设，从而导致它们在建模高维时空轨迹之间的复杂关系时存在缺陷。

深度学习的兴起为解决这一问题提供了有力的解决方案。在早期尝试中，已有工作利用标准RNN以自回归方式对人类移动轨迹进行建模和生成。然而，由于这些模型的自回归训练生成方式，导致其在生成长时间的移动轨迹时会受到曝光偏差(exposure bias)的影响，使得误差随长度积累，最终导致生成结果性能劣化。近些年来，生成对抗网络(Generative Adversarial Networks,GAN)在图像生成、自然语言生成等方面取得了巨大的成功。已有方法已将GAN与CNN和RNN结合在一起来生成人类移动数据。但是，这些方法对输入建模的移动数据具有长度限制、时间间隔限制等一系列要求，往往通过数据预处理来满足这些要求。而这样的做法忽略了移动行为在时间域的连续分布特性，从而无法建模用户的细粒度移动行为，同时仅仅针对定长轨迹的建模也影响对移动行为长时间的关联性的充分挖掘，进而严重影响基于其生成数据的模型准确性。

综上，现有的相关工作存在以下几点局限：(1)知识驱动的方法常常会对移动数据的产生过程做出过分简化的假设，导致其建模能力不足；(2)而基于数据的方法往往要求格式整齐的输入输出数据形式，因此无法很好的解决移动轨迹行为的不均衡性，同时也对建模人类移动的细粒度行为和长时关联性有很大影响。

发明内容

为解决现有技术中的问题，本发明提供一种轨迹生成模型训练方法、轨迹生成方法及装置。

本发明提供一种轨迹生成模型训练方法，包括：将历史移动数据输入到逆向生成模型，得到对应所述历史移动数据的隐含移动特征；将所述隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布；训练并优化由所述逆向生成模型和所述轨迹生成模型共同构成的变分时间点过程模型，训练结束后，得到用于轨迹生成的所述轨迹生成模型。

本发明还提供一种轨迹生成方法，包括：对到达前一区域的时间进行位置编码，得到位置编码向量；从标准正态分布中进行抽样得到隐藏状态向量；将所述位置编码向量、所述隐藏状态向量及经过嵌入式编码的用户静态信息输入到轨迹生成模型，得到时间维度的指数分布和空间维度的多项式分布；对所述空间维度的多项式分布进行抽样得到所述前一区域的信息，对所述时间维度的指数分布进行抽样得到在所述前一区域的停留时间；根据所述到达前一区域的时间和所述在所述前一区域的停留时间得到到达下一区域的时间；循环执行上述过程，直至所述停留时间的和达到预设值；其中，在循环执行上述过程时，将所述到达前一区域的时间的值更新为所述到达下一区域的时间的值。