区域栅格化与时间片段化融合的长时空轨迹预测方法.pdf

《区域栅格化与时间片段化融合的长时空轨迹预测方法.pdf》由会员分享，可在线阅读，更多相关《区域栅格化与时间片段化融合的长时空轨迹预测方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010335422.X (22)申请日 2020.04.24 (71)申请人 北京理工大学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 刘驰王宇朴成哲 (74)专利代理机构 北京中海智圣知识产权代理 有限公司 11282 代理人 王志东 (51)Int.Cl. G06F 16/9537(2019.01) G06F 16/9536(2019.01) G06N 20/10(2019.01) (54)发明名称 区域栅格化与时间片段化融合的长时空轨 迹预测方。

2、法 (57)摘要 本发明属于时空轨迹建模与特征提取技术 领域， 公开一种区域栅格化与时间片段化融合的 长时空轨迹预测方法： 所述方法包括： 步骤1， 将 一段连续的时空轨迹和目标时间点， 通过时间片 段化及区域栅格化处理为粗粒度时空轨迹， 并通 过时间向量化和空间向量化表示为细粒度时空 轨迹； 步骤2， 提取所述粗粒度时空轨迹的时空特 征； 步骤3， 提取所述细粒度时空轨迹的时空特 征； 步骤4， 整合所述粗粒度时空轨迹和所述细粒 度时空轨迹的特征以得到预测轨迹点。 本发明所 述预测方法通过将连续的长时空轨迹时间片段 化、 区域栅格化， 然后通过粗粒度片段化栅格卷 积模块， 细粒度时空轨迹预测。

3、模块， 粗细联合预 测模块， 对未知轨迹点进行预测。 权利要求书2页 说明书7页 附图1页 CN 111737598 A 2020.10.02 CN 111737598 A 1.一种区域栅格化与时间片段化融合的长时空轨迹预测方法， 其特征在于， 包括： 步骤1， 将一段连续的时空轨迹和目标时间点， 通过时间片段化及区域栅格化处理为粗 粒度时空轨迹， 并通过时间向量化和空间向量化表示为细粒度时空轨迹； 步骤2， 提取所述粗粒度时空轨迹的时空特征； 步骤3， 提取所述细粒度时空轨迹的时空特征； 步骤4， 整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹点。 2.根据权利要求1所述的区。

4、域栅格化与时间片段化融合的长时空轨迹预测方法， 其特 征在于， 步骤1中包括： 步骤1.1， 将地图等分成形状大小相同的栅格； 步骤1.2， 将一段时间等分成时间片段； 步骤1.3， 取三维矩阵其中， 所述三维矩阵的前两维表示栅格， 第三维表示时间片 段， 将时空轨迹中对应时间片段的轨迹点填入三维矩阵重复本 步骤D-1次， 得到粗粒度时空轨迹 3.根据权利要求2所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 其特 征在于， 步骤2中， 通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特征。 4.根据权利要求3所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 其特 征在于， 步骤。

5、2中， 使用卷积网络提取所述粗粒度时空轨迹的空间特征； 使用卷积循环网络 提取时间特征和空间特征。 5.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 其特 征在于， 步骤3中包括： 步骤3.1， 将轨迹点输入到循环网络中， 得到隐藏状态其中， 代表轨迹点， s指代某一条轨迹， 下标1指代轨迹中的第1个轨迹点， 是轨迹点的向量 表示； 步骤3.2， 计算向量序列其中， 代表写入信息向量， 用于向 区域栅格记忆中进行写入，代表阅读键值， 用于从区域栅格记忆中进行读取， MLP(.)是 多层线性映射， ， 为拼接两个向量， 所述两个向量包括和 步骤3.3， 区域栅格记忆写入，。

6、 设矩阵此矩阵代表区域栅格记忆在第0次更 新的状态， n是栅格的个数， c是特征数， R表示实数， 取进行如下操 作， 得到其中， M是区域栅格记忆矩阵， s指代任意序列， 下标代表第几次更新： 步骤3.31， 从中取轨迹点所在栅格对应的那一行其中， M是区域栅格记忆 矩阵， s指代任意序列， l-1代表第l-1次更新，代表矩阵中， 轨迹点实际所在空 权利要求书 1/2 页 2 CN 111737598 A 2 间区域栅格所对应的那一行向量； 步骤3.32， 利用循环网络RNN()更新公式如下： 步骤3.33， 将替换中的替换后的矩阵记作其中，代表矩阵中， 轨迹点实际所在空间区域栅格所对应的那。

7、一行向量； 步骤3.4， 区域栅格记忆读取， 通过： 得到读向量序列其中，表示取的第i行， i是第i行权值， exp(.) 是指数函数； 步骤3.5， 获得预测向量序列 其中， MLP(.)是多层线性映射， 为拼接其中的向量， exp(.)是指数函数， 是时间片 段注意力权值。 6.根据权利要求1所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 其特 征在于， 步骤4包括： 步骤4.1， 取的第三维度的第i个时间片段， 记作是一个三维矩阵， 与真 实的粗粒度轨迹的的相对应，是的预测值， f指代某一条轨迹， D代表 粗粒度轨迹长度，是一个三维矩阵， 前两维对应一个实际的区域， 第三维代表各。

8、时间片 段， 值代表某区域在某一时间片段的访问次数； 步骤4.2， 取前k个栅格中的轨迹点根据进行由大到小排序， 得到 排序列表其中， 是的估计值， MLP()是多层全连接网络， 将映射到向量的 大小为轨迹点的个数， 值代表每个轨迹点被访问的可能性， 值越大， 可能性越高； 步骤4.3， 取序列表中的第一个值对应的轨迹点， 作为预测轨迹点 权利要求书 2/2 页 3 CN 111737598 A 3 区域栅格化与时间片段化融合的长时空轨迹预测方法 技术领域 0001 本发明涉及时空轨迹建模与特征提取技术领域， 具体涉及一种区域栅格化与时间 片段化融合的长时空轨迹预测方法。 背景技术 0002 。

9、近年来， 以滴滴打车、 美团外卖和百度地图为代表的用于旅行规划和日常生活的 新兴移动应用程序和服务已经成为我们生活中不可缺少的一部分， 这些应用可以通过用户 的旅行记录来预测其旅行行为， 从而为用户提供更加个性化的服务。 但是， 用户时空轨迹的 复杂性会严重影响其未来位置预测的准确性。 例如， 人们在工作日以相对固定的时间往返 于办公室和住宅， 而在周末， 人们的选择范围为更广， 出行时间也更加随意。 因而， 针对更有 规律的工作日轨迹更容易被预测。 0003 此外， 研究表明， 不仅仅是离家近的区域， 一些城市公共区域也在吸引人们， 如大 型购物中心和美食街， 这就引起用户轨迹的更加不确定性。

10、和复杂性， 与此同时， 还有一些用 户的活动规律需根据其长期轨迹才能发现， 例如， 某用户会在每个月的固定一天去较远的 超市购买打折商品， 这种长期规律往往隐藏在大量的用户移动轨迹点中， 难以发现。 0004 时空轨迹建模与特征提取， 是指对一系列根据时间变化的轨迹点进行建模与特征 提取， 并在给定时间的情况下， 预测未知的轨迹点。 0005 对于具有长时间复杂变化的时空轨迹， 难以直接使用效果很好的基于卷积的时空 模型， 基于卷积的时空模型可以在不破坏空间相对位置信息的条件下， 同时捕捉复杂变化 的时空规律， 已经成功应用于图像， 交通等很多领域的时空序列分析。 但对于时空轨迹而 言， 需要。

11、定位到每个轨迹点， 而不仅仅是一段区域， 基于卷积的时空模型往往只能定位到区 域， 太细粒度的空间划分会导致非常大的计算开销， 同时也会让有效数据变得十分稀疏， 不 利于时空建模。 0006 对于现有的其他时空轨迹预测模型， 往往不能像基于卷积的时空模型那样， 在保 留轨迹点空间相对位置的情况下， 进行时空分析， 现有时空分析模型， 诸如ST-RNN2， HST-LSTM3， STGCN4等， 将时空信息作为循环神经网络结构中的门控制信息， 以此来对 时空信息进行建模， 这种方法即使可以定位到轨迹点， 但相较于基于卷积的时空模型， 这些 方法不能在建模时保留轨迹点的空间相对位置， 因而没有直接。

12、利用到轨迹点的空间相对位 置信息， 难以应对轨迹的复杂空间变化。 此外， 由于缺少外部存储机制， 这些方法也无法对 长期轨迹变化进行很好的建模。 0007 而一些较为普适性的时序模型也难以对复杂的长时空轨迹进行很好的建模， 例如 传统的LSTM5， 或者针对长序列设计的NTM6， DNC7等， 这些方法在建模时没有单独考 虑空间信息， 因而难以捕捉时空轨迹复杂的空间变化。 0008 现有的长时空轨迹特征提取方法， 一种是名为STGCN的循环神经网络模型， 在文章 “Where to go next:A spatio-temporal gated network for next POI rec。

13、ommendation” 被提出并使用。 说明书 1/7 页 4 CN 111737598 A 4 0009 STGCN模型中有两个时间门和两个距离门， 一对时间门和距离门被用来利用时间 间隔和距离间隔来捕捉短期兴趣， 另一对时间门和距离门用来记忆时间间隔和距离间隔来 模拟长期兴趣。 此外， STGCN模型通过耦合输入门和忘记门来减少参数的数量， 使得模型用 于解决各种时空序列的特征提取问题时更有效。 0010 虽然STGCN模型设计了新的时间和距离门来捕获时空间隔特征， 但是不同空间区 域和不同时间段之间的时空相关性没有被明确地建模。 而且两对时间门和距离门并没有针 对长短期特征进行专门的设。

14、计处理， 无法充分对长短期特征进行提取。 0011 此外， STGCN中仅使用少量参数(ct， ht)表征历史状态， 因而无法对长期历史进行处 理利用， 对长期时空特征提取能力较弱。 0012 另一种是名为ARMIN的网络结构。 在文章 “ARMIN:Towards a More Efficient and Light-weight Recurrent Memory Network” 被提出并使用。 0013 ARMIN由一个循环单元和一个存储历史隐藏状态的外部存储器组成。 在处理时空 轨迹数据时， ARMIN在每个时间步中按时间顺序执行从外部存储器读取、 循环单元状态更新 和向外部存储器写入。

15、这三个操作。 通过使用外部存储器， ARMIN可以对更为长期的时空轨迹 特征进行提取。 0014 ARMIN没有有效利用时空轨迹数据中的时空信息来对外部存储进行读写控制， 因 而无法从存储的长期历史数据中遴选出比较重要的时空信息， 在长时空轨迹建模任务上能 力不足。 发明内容 0015 本发明提供一种区域栅格化与时间片段化融合的长时空轨迹预测方法， 解决现有 技术存在的上述技术问题， 通过将连续的长时空轨迹时间片段化、 区域栅格化， 然后通过粗 粒度片段化栅格卷积模块， 细粒度时空轨迹预测模块， 粗细联合预测模块， 对未知轨迹点进 行预测。 0016 为达到上述目的， 本发明采用以下技术方案：。

16、 0017 一种区域栅格化与时间片段化融合的长时空轨迹预测方法， 包括： 0018 步骤1， 将一段连续的时空轨迹和目标时间点， 通过时间片段化及区域栅格化处理 为粗粒度时空轨迹， 并通过时间向量化和空间向量化表示为细粒度时空轨迹； 0019 步骤2， 提取所述粗粒度时空轨迹的时空特征； 0020 步骤3， 提取所述细粒度时空轨迹的时空特征； 0021 步骤4， 整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征以得到预测轨迹 点。 0022 进一步地， 步骤1中包括： 0023 步骤1.1， 将地图等分成形状大小相同的栅格； 0024 步骤1.2， 将一段时间等分成时间片段； 0025步骤1.。

17、3， 取三维矩阵其中， 所述三维矩阵的前两维表示栅格， 第三维表示时间 片段， 将时空轨迹中对应时间片段的轨迹点填入三维矩阵重复本 说明书 2/7 页 5 CN 111737598 A 5 步骤D-1次， 得到粗粒度时空轨迹 0026 进一步地， 步骤2中， 通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨迹特 征。 0027 进一步地， 步骤2中， 使用卷积网络提取所述粗粒度时空轨迹的空间特征； 使用卷 积循环网络提取时间特征和空间特征。 0028 进一步地， 步骤3中包括： 0029步骤3.1， 将轨迹点输入到循环网络中， 得到隐藏状态其 中， 代表轨迹点， s指代某一条轨迹， 下标1指代。

18、轨迹中的第1个轨迹点， 是轨迹点的 向量表示； 0030步骤3.2， 计算向量序列其中， 代表写入信息向量， 用 于向区域栅格记忆中进行写入， 代表阅读键值， 用于从区域栅格记忆中进行读取， MLP(.) 是多层线性映射， ， 为拼接两个向量， 所述两个向量包括和 0031 0032步骤3.3， 区域栅格记忆写入， 设矩阵此矩阵代表区域栅格记忆在第0 次更新的状态， n是栅格的个数， c是特征数， R表示实数， 取l1， .， L-1， 进行如下 操作， 得到其中， M是区域栅格记忆矩阵， s指代任意序列， 下标代表第几次更 新： 0033步骤3.31， 从中取轨迹点所在栅格对应的那一行其中，。

19、 M是区域栅格 记忆矩阵， s指代任意序列， l-1代表第l-1次更新，代表矩阵中， 轨迹点实际所在 空间区域栅格所对应的那一行向量； 0034步骤3.32， 利用循环网络RNN()更新公式如下： 0035 0036步骤3.33， 将替换中的替换后的矩阵记作其中，代表矩阵 中， 轨迹点实际所在空间区域栅格所对应的那一行向量； 0037 步骤3.4， 区域栅格记忆读取， 通过： 0038 0039得到读向量序列其中，表示取的第i行， i是第i行权值， exp (.) 0040 是指数函数； 0041步骤3.5， 获得预测向量序列 说明书 3/7 页 6 CN 111737598 A 6 0042。

20、 0043其中， MLP(.)是多层线性映射， ， 为拼接其中的向量， exp(.)是指数函数， 是时 间片段注意力权值。 0044 进一步地， 步骤4包括： 0045步骤4.1， 取的第三维度的第i个时间片段， 记作是一个三维矩阵， 与真实的粗粒度轨迹的的相对应，是的预测值， f指代某一条轨迹， D代 表粗粒度轨迹长度，是一个三维矩阵， 前两维对应一个实际的区域， 第三维代表各时间 片段， 值代表某区域在某一时间片段的访问次数； 0046步骤4.2， 取前k个栅格中的轨迹点根据进行由大到小排序， 得到排序列表其中，是的估计值， MLP( )是多层全连接网络， 将映射到向量 的大小为轨迹点的个。

21、数， 值代表每个轨迹点被访问的可能性， 值越大， 可能性越高； 0047步骤4.3， 取序列表中的第一个值对应的轨迹点， 作为预测轨迹点 0048 与现有技术相比， 本发明的优越效果在于： 0049 1， 本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 通过对时 空轨迹的时空特征进行提取， 能够精准预测用户未来的轨迹点； 0050 2， 本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 通过粗粒 度时空轨迹建模， 将区域栅格化、 时间片段化， 充分利用了基于卷积的时空特征分析， 根据 时空轨迹的宏观变化特性， 来对未知轨迹点可能出现的栅格进行定位； 0051 3， 本。

22、发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 通过细粒 度时空轨迹建模， 根据轨迹在空间上的栅格化分布特性来分类整合空间信息， 把握长时段 轨迹空间变化规律， 并根据时间片段变化规律关注更重要时段的特征信息， 从而对轨迹点 进行更精细的时空预测； 0052 4， 本发明所述的区域栅格化与时间片段化融合的长时空轨迹预测方法， 通过细粒 度时空轨迹建模， 通过整合所述粗粒度时空轨迹和所述细粒度时空轨迹的特征的步骤， 有 效的联合的两者的优势。 附图说明 0053 图1是本发明实施例1中区域栅格化与时间片段化融合的长时空轨迹预测方法的 示意图； 0054 图2是本发明实施例1中区域栅格。

23、化与时间片段化融合的长时空轨迹预测方法的 流程图。 具体实施方式 0055 为了能够更清楚地理解本发明的上述目的、 特征和优点， 下面结合附图和具体实 施方式对本发明进行进一步的详细描述， 需要说明的是， 在不冲突的情况下， 本申请的实施 说明书 4/7 页 7 CN 111737598 A 7 例及实施例中的特征可以相互组合。 0056 实施例1 0057 在本实施例中， 提供一种对时空轨迹片段化、 栅格化的数据处理方式， 这种处理方 式将一维的时空轨迹点整合成了三维矩阵， 一维时空轨迹点序列的时空特征难以使用较为 成熟的基于卷积的时空模型直接进行分析， 时空特征难以有效提取， 而三维矩阵本。

24、身包含 了时空信息， 且可以直接使用基于卷积的时空模型直接进行分析， 从而有效提取复杂的、 高 变换的时空轨迹的宏观变化； 0058 提出了一种细粒度时空轨迹预测模块， 其中， 区域栅格记忆存储机制有效地利用 空间规律把轨迹的空间信息按栅格分类写到外部存储中， 把握轨迹的长期空间变化规律； 时间片段注意力机制， 把握轨迹在时间上的变化规律， 从而更有效地读取重要时间段的轨 迹特征； 0059 提出了一种粗细联合预测模块， 该模块以一种低耦合性的方式， 将粗粒度片段化 栅格化卷积模块和细粒度时空轨迹预测模块进行高效联合， 粗粒度时空轨迹建模更能捕捉 轨迹复杂的时空变化， 但只能预测到目标栅格。 。

25、细粒度轨迹建模能够定位到目标轨迹点， 但 对变化特别复杂时空轨迹建模能力不足。 本专利提出的粗细联合预测模块充分利用了二者 优势， 且以一种低耦合性的方式在不影响二者建模能力的情况下对二者进行了联合。 0060 如图1-2所示， 一种区域栅格化与时间片段化融合的长时空轨迹预测方法， 包括： 0061步骤1， 将一段连续的时空轨迹和目标时间点， 通过时间片段 化及区域栅格化处理为粗粒度时空轨迹并通过时间向量化和空间向量化表示 为细粒度时空轨迹； 0062 步骤2， 提取所述粗粒度时空轨迹的时空特征； 0063 步骤3， 提取所述细粒度时空轨迹的时空特征； 0064 步骤4， 整合所述粗粒度时空轨。

26、迹和所述细粒度时空轨迹的特征以得到预测轨迹 点。 0065 在本实施例的步骤1中， 所述目标时间点为预测轨迹点的时间点； 步骤4中所述特 征为轨迹时空关联性的一种向量表示。 0066 在本实施例的步骤1中包括： 0067 步骤1.1， 将一个地图等分成形状大小相同的栅格； 0068 步骤1.2， 将一段时间等分成时间片段； 0069步骤1.3， 取三维矩阵其中， 三维矩阵的前两维表示栅格， 第三维表示时间片 段， 将时空轨迹中对应时间片段的轨迹点填入三维矩阵重复该步 骤 D-1次， 得到粗粒度时空轨迹 0070 在本实施例的步骤1.1中， 所述地图可以为一个城市的地图， 所述区域为所述地图 中。

27、的一部分， 比如城市里的一个商场。 0071 在本实施例的步骤1.2中， 所述一段时间为任意长度。 0072 在本实施例的步骤2中， 通过利用粗粒度片段化栅格卷积模块提取粗粒度时空轨 说明书 5/7 页 8 CN 111737598 A 8 迹特征。 0073 步骤2中， 使用卷积网络提取所述粗粒度时空轨迹的空间特征， 所述空间特征是提 取出来的特征的三维矩阵表示， 前两个维度与实际的区域对应， 第三维中的值代表各个时 段的特征值， 该值由卷积网络计算得出， 卷积网络提取出的值可看作空间特征； 使用卷积循 环网络提取时间特征和空间特征， 三维矩阵特征的第三个通道代表时段， 第三个通道的各 个值。

28、代表不同的时段， 各时段的值是由卷积循环网络计算得出， 卷积循环网络可计算同时 具有时空特性序列的特征值， 卷积网络只进行了空间特征提取， 卷积循环网络同时进行空 间和时间的特征提取， 第二次的空间特征是时空特征共同提取出的空间特征。 0074 进一步地， 步骤3中包括： 0075步骤3.1， 将轨迹点输入到循环网络中， 得到隐藏状态其 中， 代表轨迹点， s指代某一条轨迹， 下标1指代轨迹中的第1个轨迹点， 是轨迹点的 向量表示(请检查， 是否如此)； 0076步骤3.2， 计算向量序列其中， 代表写入信息向量， 用 于向区域栅格记忆中进行写入， 代表阅读键值， 用于从区域栅格记忆中进行读取。

29、， MLP(.) 是多层线性映射， ， 为拼接两个向量， 所述两个向量包括和 0077 0078步骤3.3， 区域栅格记忆写入， 设矩阵此矩阵代表区域栅格记忆在第0 次更新的状态， n是栅格的个数， c是特征数， R表示实数， 取l1， .， L-1， 进行如下 操作， 得到其中， M是区域栅格记忆矩阵， s指代任意序列， 下标代表第几次更 新： 0079步骤3.31， 从中取轨迹点所在栅格对应的那一行其中， M是区域栅格 记忆矩阵， s指代任意序列， l-1代表第l-1次更新，代表矩阵中， 轨迹点实际所在 空间区域栅格所对应的那一行向量； 0080步骤3.32， 利用循环网络RNN()更新公。

30、式如下： 0081 0082步骤3.33， 将替换中的替换后的矩阵记作其中，代表矩阵 中， 轨迹点实际所在空间区域栅格所对应的那一行向量； 0083 步骤3.4， 区域栅格记忆读取， 通过： 0084 0085得到读向量序列其中，表示取的第i行， i是第i行权值， exp (.) 0086 是指数函数； 说明书 6/7 页 9 CN 111737598 A 9 0087步骤3.5， 获得预测向量序列 0088 0089其中， 其中MLP(.)是多层线性映射， ， 为拼接其中的向量， exp(.)是指数函数， 是时间片段注意力权值。 0090 在本实施例的步骤3.1中， 循环网络相当于一个整合器。

31、， 将多个估计点的向量表示 整合成一个向量， 例如整合成整合成以此类推； 隐藏 状态是轨迹点向量的一种高度整合的向量表示， 即代表代表 0091 本实施例的步骤4包括： 0092步骤4.1， 取的第三维度的第i个时间片段， 记作是一个三维矩阵， 与真实的粗粒度轨迹的的相对应， 是的预测值， f指代某一条轨迹， D代 表粗粒度轨迹长度，是一个三维矩阵， 前两维对应一个实际的区域， 第三维代表各时间 片段， 值代表某区域在某一时间片段的访问次数； 0093步骤4.2， 取前k个栅格中的轨迹点根据进行由大到小排序， 得到排序列表其中， 是的估计值， MLP( )是多层全连接网络， 将映射到向量 的大小为轨迹点的个数， 值代表每个轨迹点被访问的可能性， 值越大， 可能性越高； 0094步骤4.3， 取序列表中的第一个值对应的轨迹点， 作为预测轨迹点 0095 本发明不受上述实施例的限制， 上述实施例和说明书中描述的只是说明本发明的 原理， 在不脱离本发明精神和范围的前提下， 本发明还会有各种变化和改进， 这些变化和改 进都落入要求保护的本发明范围内。 本发明要求保护范围由所附的权利要求书界定。 说明书 7/7 页 10 CN 111737598 A 10 图1 图2 说明书附图 1/1 页 11 CN 111737598 A 11 。