[发明专利]基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法及框架

权利要求书

1.基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法，其特征在于，包括以下步骤：

(1)原始相似轨迹输出

(1-1)将待恢复的不完整轨迹分割成若干缺失轨迹段，每个缺失轨迹段的两端均为记录点，中间为缺失点；且该不完整轨迹的头尾则一边是记录点，另一边是缺失点；

(1-2)对于每个缺失轨迹段，用与其最相似的轨迹段中相应记录点的位置坐标将缺失轨迹段缺失点的位置坐标初步填充补全，找不到相关轨迹段的缺失轨迹段将不会被填充；

(1-3)将初步填充后的轨迹段进行拼接，同时，采用线性插值方式对找不到相关轨迹段的缺失轨迹段缺失点进行位置坐标填充，最终获得不完整轨迹的原始相似轨迹；

(2)完整轨迹恢复

(2-1)采用以下编码策略对原始相似轨迹进行编码：

X_rs＝E_idx+Conv1d(L_rs)

其中，E_idx为位置编码，Conv1d(·)为无偏置的卷积核大小为1的一维卷积操作，L_rs为原始相似轨迹；

同时，采用以下编码策略对不完整轨迹进行编码：

X＝E_idx+E_time+E_GPS

其中，E_time为时间编码，E_GPS为坐标编码；

(2-2)采用深度编码器根据编码策略输出深度相似轨迹，该深度编码器由B个网络块组成，每个网络块均依次由多头注意力机制、拼接线性层、加和标准化层、前向传播层以及加和标准化层组成；

每个网络块的过程为：

O_a1＝MHA(X_rs，X，X)

o_a2＝MHA(X_rs，X_rs，X_rs)

o_c＝CL(O_a1，O_a2)

O_A＝LN(X_rs+Dropout(O_c))

X_rs＝LN(O_A+Dropout(FFN(O_A)))

其中，O_a1，O_a2为拼接线性层的输入，O_c为拼接线性层的输出，o_A为加和标准化的过程；最后一个编码器网络块的输出结果即为深度相似轨迹X_s；

(2-3)采用深度解码器根据编码策略输出完整轨迹，该深度解码器同样由B个网络块组成，每个网络块均依次由多头注意力机制、加和标准化层、多头注意力机制、加和标准化层、前向传播层以及拼接线性层组成；

每个网络块的过程为：

O_a1＝MHA(X，X，X)

O_A1＝LN(X+Dropout(O_a1))

O_a2＝MHA(O_A1，X_s，X_s)

O_A2＝LN(O_A1+Dropout(O_a2))

X＝LN(O_A2+Dropout(FFN(O_A2)))

其中，将最后一个解码器网络块的输出结果记为X_p；

(2-4)采用一个线性变换将高维向量变为二维向量，最终得到恢复好的完整轨迹L_pre：

L_pre＝X_pW+b

其中，W，b分别表示线性变换矩阵和偏置向量。