轨迹生成模型训练方法、轨迹生成方法及装置.pdf

(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CN113761395A(43)申请公布日2021.12.07(21)申请号202110928066.7(22)申请日2021.08.12(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(72)发明人王寰东李勇张启钟金德鹏(74)专利代理机构北京路浩知识产权代理有限公司11002代理人谢志超(51)Int.Cl.G06F16/9537(2019.01)G06F16/2458(2019.01)G06N3/04(2006.01)权利要求书3页说明书19页附图6页(54)发明名称轨迹生成模型训练方法、轨迹生成方法及装置(57)摘要本发明提供一种轨迹生成模型训练方法、轨迹生成方法及装置，该训练方法包括：将历史移动数据输入到逆向生成模型，得到对应的隐含移动特征；将隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布；训练并优化由逆向生成模型和轨迹生成模型共同构成的变分时间点过程模型，得到轨迹生成模型。本发明提供的轨迹生成模型训练方法、轨迹生成方法及装置，在保留了神经网络模型的强大建模能力、捕获了序列数据中的不确定性的同时提升了其可解释性，且能够通过基于概率模型的数据交互机制有效的引入专家知识，有更强的灵活性、建模能力，对不均衡数据的高度适应性和鲁棒性，在移动数据生成问题上具有巨大的潜力。CN113761395ACN113761395A权利要求书1/3页1.一种轨迹生成模型训练方法，其特征在于，包括：将历史移动数据输入到逆向生成模型，得到对应所述历史移动数据的隐含移动特征；将所述隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布；训练并优化由所述逆向生成模型和所述轨迹生成模型共同构成的变分时间点过程模型，训练结束后，得到用于轨迹生成的所述轨迹生成模型。2.根据权利要求1所述的轨迹生成模型训练方法，其特征在于，所述历史移动数据包括用户静态信息、地点信息、进入地点的时间以及进入地点后的停留时间；所述将历史移动数据输入到逆向生成模型，得到对应所述历史移动数据的隐含移动特征，包括：将所述进入地点的时间输入到位置编码网络，得到经过位置编码的进入地点的时间；将所述停留时间、所述用户静态信息和所述地点信息分别输入到嵌入式编码网络，得到经过嵌入式编码的停留时间、用户静态信息和地点信息；将所述经过位置编码的进入地点的时间、所述经过嵌入式编码的停留时间、用户静态信息和地点信息输入到全连接层，拼接得到第一向量；将所述第一向量输入到LSTM神经网络，得到第一隐状态变量；将所述第一隐状态变量分别输入到均值编码器和方差编码器，得到对应所述历史移动数据的隐含移动特征。3.根据权利要求2所述的轨迹生成模型训练方法，其特征在于，所述将所述隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布，包括：将所述隐含移动特征、所述经过嵌入式编码的用户静态信息及所述经过位置编码的进入地点的时间输入到LSTM神经网络，得到第二隐状态变量；将所述第二隐状态变量输入到时间解码器，得到强度函数，根据所述强度函数得到所述时间维度的指数分布；其中，所述时间解码器包括全连接层，并且最后一层全连接层的输出经由指数函数处理；将所述第二隐状态变量输入到第一地点解码器，得到基于时间点过程的多项式分布，根据所述基于时间点过程的多项式分布得到所述空间维度的多项式分布；其中，所述第一地点解码器包括全连接层，并且最后一层全连接层的输出维度设置为经过编号后的区域总数。4.根据权利要求1所述的轨迹生成模型训练方法，其特征在于，所述历史移动数据包括用户静态信息、地点信息、进入地点的时间、进入地点后的停留时间以及地点POI信息；所述将历史移动数据输入到逆向生成模型，得到对应所述历史移动数据的隐含移动特征，包括：将所述进入地点的时间输入到位置编码网络，得到经过位置编码的进入地点的时间；将所述停留时间、所述用户静态信息、所述地点信息及所述地点POI信息分别输入到嵌入式编码网络，得到经过嵌入式编码的停留时间、用户静态信息、地点信息及地点POI信息；将所述经过位置编码的进入地点的时间、所述经过嵌入式编码的停留时间、用户静态信息、地点信息及地点POI信息输入到全连接层，拼接得到第二向量；将所述第二向量输入到LSTM神经网络，得到第三隐状态变量；2CN113761395A权利要求书2/3页将所述第三隐状态变量分别输入到均值编码器和方差编码器，得到对应所述历史移动数据的隐含移动特征。5.根据权利要求4所述的轨迹生成模型训练方法，其特征在于，所述将所述隐含移动特征输入到轨迹生成模型，分别得到时间维度的指数分布和空间维度的多项式分布，包括：将所述隐含移动特征、