[发明专利]基于深度学习的稀疏轨迹数据恢复系统及方法

权利要求书

1.基于深度学习的稀疏轨迹数据恢复系统，其特征在于：包括历史数据选择器模块、编码器模块和解码器模块，

所述历史数据选择器模块：接收当前轨迹所属用户的历史轨迹集合和当前稀疏轨迹，对历史轨迹数据进行周期性提取，对其特征进行归一化处理，并计算历史轨迹集合中与当前稀疏轨迹最相似的历史轨迹，将其作为编码器模块的输入；

所述编码器模块：基于轨迹数据的序列特征，利用编码器获得稀疏轨迹与最相似历史轨迹的上下文向量；

所述编码器模块中还包括可抽取环境上下文特征的属性模块，通过独热编码对环境上下文特征进行表示，将独热编码的结果串联后，通过一个全连接网络学习所有特征的嵌入，得到特征嵌入向量；

将上下文向量与特征嵌入向量融合，作为解码器的输入进行恢复和匹配任务；

所述解码器模块：引入了注意力机制建模稀疏轨迹与最相似历史轨迹的全局相关性，使用解码器中的当前隐藏状态与编码器输出的相似度来生成上下文向量，将稀疏轨迹恢复到目标采样率，并与路网匹配任务共享参数，同步进行道路网络的地图匹配。

2.如权利要求1所述的基于深度学习的稀疏轨迹数据恢复系统，其特征在于：所述历史数据选择器模块中，通过计算欧几里得距离d来确定历史轨迹集合中与当前轨迹最相似的历史轨迹，所述欧几里得距离d的计算公式如下：

其中，x_i,y_i表示向量x,y在第i维的值，S_i是向量在第i维的标准差；

欧几里得距离d最小的，即为历史轨迹集合中与当前轨迹最相似的历史轨迹。

3.如权利要求2所述的基于深度学习的稀疏轨迹数据恢复系统，其特征在于：所述编码器模块中，使用门控递归单元GRU作为编码器来获得稀疏轨迹与最相似历史轨迹的上下文向量，所述门控递归单元GRU使用更新门z和复位门r来控制时间同步中的信息，在每个时间步i∈{1,2,…,n}中，隐藏状态向量s_i如下：

z_i＝σ(W_Z*[s_i-1,u_i]+b_z)

r_i＝σ(W_Z*[s_i-1,u_i]+b_r)

其中，W_x是门(x)的权重，b_x代表门(x)的偏置项，z_i和r_i代表更新门和复位门，u_i表示转成离散单元后的坐标点，代表更新前的状态向量s_i，σ代表激活函数sigmoid；

最后一个隐藏状态向量s_n为上下文向量，它将被作为解码器的输入，成为解码器的初始隐藏状态。

4.如权利要求2所述的基于深度学习的稀疏轨迹数据恢复系统，其特征在于：所述属性模块中的环境上下文特征至少包括天气状况、是否是假期和以小时为度量的时间点，所述环境上下文特征是固定的。

5.如权利要求3或4所述的基于深度学习的稀疏轨迹数据恢复系统，其特征在于：所述解码器模块中，将解码器中的当前隐藏状态作为查询向量，将编码器的输出作为键值向量，在每个时间步j∈{1,2,…,n}中，利用解码器的当前隐藏状态和编码器的输出生成上下文向量a_j,具体为：

其中，v、W_h和W_s是可学习参数，h_j是解码器中的隐藏状态向量，s_i是编码器输出的隐藏状态向量，α_j,i是第j个编码器第i个时间步输出向量计算时的权重，u_j,i为更新前的权重，表示矩阵v的转置。