[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

说明书

本发明公开了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，其中，轨迹GPS坐标恢复方法包括对不完整轨迹中的缺失轨迹段缺失点的位置坐标进行初步填充补全，获得原始相似轨迹，然后分别对原始相似轨迹和不完整轨迹进行编码，并基于编码后的原始相似轨迹获得深度相似轨迹，最后对编码后的不完整轨迹进行整理，并结合深度相似轨迹，最终得到恢复的完整轨迹。本发明框架上则包括：用于输出不完整轨迹的原始相似轨迹的空间信息提取器，用于对原始相似轨迹和不完整轨迹进行编码的轨迹编码层，用于获得深度相似轨迹的深度编码器，以及用于获得完整轨迹的深度解码器。本发明能更好地适用于稀疏数据问题，消除其所带来的完整轨迹恢复限制。

技术领域

本发明涉及坐标轨迹恢复技术领域，特别涉及一种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。

背景技术

随着各种移动通讯、车载导航设备的广泛使用，轨迹数据也迅速激增，而此类数据中所蕴含的丰富的时空信息对于诸如路径规划、POI(兴趣点)推荐等基于位置的应用服务至关重要。但实际中，受设备功耗限制、信号缺失等原因的影响，许多轨迹数据本来就是以低采样率的方式记录，或者缺失了部分空间信息，导致轨迹不完整。并且采样间隔过大的两个轨迹点之间详细空间信息的丢失，会使得轨迹数据本身存在很大的不确定性，这对下游的应用有着极其负面的影响。因此，填补不完整轨迹中的缺失空间信息，以减小轨迹数据本身的不确定性也成为一种迫切需求。

基于上述情况，目前采用的轨迹恢复方法主要分为位置轨迹恢复和坐标轨迹恢复两个大方向。位置轨迹恢复，即利用人们在不同位置之间的时空转移模式来预测用户轨迹中缺失的位置信息。这里的位置一般指某个场所、地点或POI的ID，此类任务本质上是一种分类任务，一般需要预测某个较长时间段内用户的所在地。例如专利公开号：CN114885293A就提供了一种位置轨迹恢复方案，其依赖于基站信息，恢复用户在某个时间段内的大致位置(用基站位置代替)。需要说明的是，这种位置轨迹恢复并不会转化为具体的坐标信息。

坐标轨迹恢复是指利用不完整的轨迹数据，恢复精确时刻下对应的精确地理坐标。这里的地理坐标一般指GPS坐标或者路网系统中的路段ID和通过率，此类任务本质上是一种回归任务。例如专利公开号：CN115017250A就提供了一种应用于路段ID和通过率的坐标轨迹恢复方案，其依赖于路网数据来恢复精确的路网坐标，但不能用于自由空间场景下轨迹的恢复。

现有的轨迹GPS坐标恢复方案主要分为基于序列填补的技术和基于单元格的技术。基于序列填补的技术直接将轨迹数据看作二维时间序列数据，然后利用诸如基于RNN、基于VAE和基于Attention等一些序列填补技术来恢复轨迹。此类技术方案充分利用了轨迹数据中精确的时空信息，在缺失轨迹数据比例不高时效果尚可，但在轨迹空间信息缺失严重时，效果明显变差，无法适用于稀疏轨迹数据。并且，采用RNN的计算得到每个轨迹点必须用到上一个轨迹点的状态向量，而轨迹点是一个一个被计算出来的，即串行计算，而无论是训练还是恢复轨迹时，这种串行计算相对于并行计算均需要耗费更多的时间，因而效率很低。例如上述所述的CN115017250A就采用了以RNN为基础模型块构建Seq2seq模型的计算方案。

基于单元格的技术通常先将整个空间化为离散且不相交的单元格，再恢复由一个个单元格组成的模糊轨迹，最后通过不同的校准算法得出精确轨迹坐标。这类方法将坐标轨迹恢复任务先从无限连续空间转化到了有限离散空间，降低了模型预测的复杂性，提高了模型的建模能力，在一定程度上可以缓解数据稀疏问题。但由于是在由单元格组成的模糊轨迹上进行建模，便不可避免地引入了噪声和不准确的空间信息，并且在将模糊轨迹转化为精确轨迹坐标时，一般没有比较有价值的参照信息可以利用。

因此，上述两种方案仅仅利用了待恢复不完整轨迹本身的空间信息，并没有充分利用到来自相似轨迹的信息，使得稀疏数据的恢复受到了较大的限制。

发明内容

本发明的目的在于提供一种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，解决现有方案难以很好地适用于稀疏轨迹数据的恢复问题。