[發明專利]一種基于生成對抗網絡的軌跡數據分類方法

有效

• 申請號: 201810372762.2
• 申請日: 2018-04-24
• 公開（公告）號: CN108564129B
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 周帆;殷睿陽;鐘婷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種基于生成對抗網絡的軌跡數據分類方法，其特征在于包括以下步驟：

S1，將基于位置的用戶真實軌跡數據輸入生成對抗網絡，使生成對抗網絡訓練至生成器生成與真實軌跡數據同分布的仿真軌跡數據；

S2，利用生成對抗網絡的生成器生成若干組仿真軌跡數據；

S3，對生成的若干組仿真軌跡數據與真實軌跡數據一起進行分類處理，建立軌跡與用戶之間的映射關系，得到軌跡用戶映射。

2.根據權利要求1所述基于生成對抗網絡的軌跡數據分類方法，其特征在于所述步驟S1包括以下分步驟：

S11，將從高斯分布中采樣的隨機噪音作為輸入數據輸入到生成對抗網絡的生成器，生成一組仿真軌跡數據；

S12，生成器輸出的仿真軌跡數據與真實軌跡數據一起輸入到生成對抗網絡的鑒別器中，鑒別器對仿真軌跡數據和真實數據進行鑒別，得到鑒別結果；并根據鑒別結果分別計算得到生成器損失函數值和鑒別器損失函數值；

S13，判斷得到的生成器損失函數值和鑒別器損失函數值是否趨于穩定，若趨于穩定，則進入步驟S2；若沒有趨于穩定，則進入步驟S14；

S14，將得到的生成器損失函數值和鑒別器損失函數值分別返回至生成器和鑒別器，并利用生成器損失函數值和鑒別器損失函數值分別對生成器和鑒別器的參數進行修正，之后返回步驟S11。

3.根據權利要求2所述基于生成對抗網絡的軌跡數據分類方法，其特征在于所述步驟S11包括以下分步驟：

S111，將從高斯分布中采樣的隨機噪音作為輸入數據輸入到生成器的網絡模型中，產生一組數據；

S112，將步驟S111產生的一組數據壓縮至-1到1之間；

S113，將得到的壓縮數據作為符合真實軌跡數據向量維度的隨機化生成向量，同時將來自數據集的真實軌跡數據進行向量化，得到真實軌跡數據對應的向量；

S114，分別計算每一條隨機化生成向量與真實軌跡數據對應的向量之間的余弦夾角；

S115，遍歷得到的余弦夾角，找出與真實軌跡數據對應的向量夾角之差最小的隨機生成向量，構成仿真向量；

S116，將步驟S115得到的仿真向量還原成真實軌跡數據中相應的軌跡點，得到仿真軌跡數據。

4.根據權利要求3所述基于生成對抗網絡的軌跡數據分類方法，其特征在于所述生成器的網絡模型為長短期記憶網絡。

5.根據權利要求4所述基于生成對抗網絡的軌跡數據分類方法，其特征在于所述長短期記憶網絡的每一層神經網絡增加dropout機制。

6.根據權利要求3到5任一權利要求所述生成對抗網絡的軌跡數據分類方法，其特征在于所述步驟S112中，利用tanh激活函數將步驟S111產生的一組數據壓縮至-1到1之間。

7.根據權利要求6所述生成對抗網絡的軌跡數據分類方法，其特征在于所述步驟S12具體實現方式為：將生成器輸出的仿真軌跡數據與真實軌跡數據進行向量化處理，向量化后的數據輸入到鑒別器的網絡模型中，提取出仿真軌跡數據和真實軌跡數據的向量特征；之后對得到的向量特征進行聚合統計，得到鑒別結果。

8.根據權利要求7所述生成對抗網絡的軌跡數據分類方法，其特征在于

所述生成器損失函數為

所述鑒別器損失函數為

式中，m為真實軌跡點或者是仿真軌跡點總數，i為第i個真實軌跡點或仿真軌跡點，x⁽ⁱ⁾為第i個真實軌跡點輸入數據，f_w(x⁽ⁱ⁾)為第i個真實軌跡點輸出數據，w為鑒別器的網絡模型權重參數，g_θ(z⁽ⁱ⁾)為第i個仿真軌跡點輸入數據，f_w(g_θ(z⁽ⁱ⁾))為第i個仿真軌跡點輸出數據，z⁽ⁱ⁾為第i個仿真軌跡點對應的輸入生成器的高斯分布上的先驗采樣數據，θ為生成器的網絡模型權重參數。