轨迹预测方法、装置、设备、存储介质及程序产品.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115860179A(43)申请公布日2023.03.28(21)申请号202211358510.7(22)申请日2022.11.01(71)申请人清华大学地址100084北京市海淀区双清路30号清华大学清华园北京100084-82信箱(72)发明人李勇于巧红金德鹏(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师张正秋(51)Int.Cl.G06Q10/04(2023.01)G06N5/02(2023.01)G06N20/00(2019.01)G06F16/9537(2019.01)G06Q50/26(2012.01)权利要求书2页说明书13页附图3页(54)发明名称轨迹预测方法、装置、设备、存储介质及程序产品(57)摘要本发明涉及城市计算技术领域，尤其涉及一种轨迹预测方法、装置、设备、存储介质及程序产品。方法包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，历史数据包括历史上空间位置和/或时间节点之间的直接访问路径；根据历史数据，构建时空知识图谱；将任意一个用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得轨迹预测嵌入模型输出的预测空间位置，其中，轨迹预测嵌入模型基于时空知识图谱和多步路径规则训练得到。本发明用以解决现有技术中忽略时间和/或空间位置之间复杂的依赖关系，导致轨迹预测结果准确性较低的缺陷，实现更准确的轨迹预测。CN115860179ACN115860179A权利要求书1/2页1.一种轨迹预测方法，其特征在于，包括：获取至少一个用户轨迹移动的历史数据，以及获取空间位置和/或时间节点之间的多步路径规则，其中，所述历史数据包括历史上所述空间位置和/或所述时间节点之间的直接访问路径；根据所述历史数据，构建时空知识图谱，其中，所述时空知识图谱包括所述空间位置和/或所述时间节点之间的关系事实，所述关系事实与所述直接访问路径一一对应；将任意一个所述用户的预测时间节点和/或前次访问位置输入轨迹预测嵌入模型，获得所述轨迹预测嵌入模型输出的预测空间位置，其中，所述轨迹预测嵌入模型基于所述时空知识图谱和所述多步路径规则训练得到。2.根据权利要求1所述的轨迹预测方法，其特征在于，所述轨迹预测嵌入模型通过如下过程训练得到：基于所述时空知识图谱，构建原始嵌入模型；通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数；基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数；通过所述第一误差函数和所述第二误差函数，获得总误差函数；通过最小化所述总误差函数，对所述原始嵌入模型进行训练，获得训练完成的所述轨迹预测嵌入模型。3.根据权利要求2所述的轨迹预测方法，其特征在于，所述基于所述时空知识图谱，构建原始嵌入模型，包括：通过每一个所述用户的超空间向量，将所述时空知识图谱中的每一个所述用户对应的关系事实，分别映射至所述用户对应的子图，其中，所述超空间向量为可学习参量；在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数；分别对每一个所述用户对应的所述评分函数进行交叉熵计算，获得每一个所述用户对应的所述原始嵌入模型。4.根据权利要求3所述的轨迹预测方法，其特征在于，所述通过所述原始嵌入模型，计算所述时空知识图谱对应的第一误差函数，包括：累加每一个所述用户对应的所述原始嵌入模型，获得所述时空知识图谱对应的所述第一误差函数。5.根据权利要求2所述的轨迹预测方法，其特征在于，所述基于所述多步路径规则，计算所述时空知识图谱对应的第二误差函数，包括：计算所述多步路径规则中，每一条多步路径的路径表征；基于所述路径表征，以及每一条所述多步路径在所述时空知识图谱中的所述关系事实，计算每一条所述多步路径分别对应的能量函数；累加每一条所述多步路径分别对应的所述能量函数，获得所述第二误差函数。6.根据权利要求1所述的轨迹预测方法，其特征在于，所述根据所述历史数据，构建时空知识图谱，包括：根据所述历史数据，获得所述时间节点与所述空间位置之间的时空访问关系，以及获得所述空间位置与所述空间位置之间的空间转移关系，以及获得所述时间节点与所述时间2CN115860179A权利要求书2/2页节点之间的时间亲密度关系；将时空访问关系、空间转移关系和时间亲密度关系，作为所述时空知识图谱中的所述关系事实，构建所述时空知识图谱。7.根据权利要求3所述的轨迹预测方法，其特征在于，所述在每一个所述子图中，通过所述子图中的所述关系事实，计算每一个所述用户分别对应的评分函数，包括：在每一个所述子图中，将每一个所述关系事实划分为向量维度相等的两个部分事实向量；通过每一个所述关系事实对应的所述两个部分事实向量，获得每