[發(fā)明專利]一種基于生成對抗網(wǎng)絡(luò)的軌跡數(shù)據(jù)分類方法

有效

• 申請?zhí)枺?/td>: 201810372762.2
• 申請日: 2018-04-24
• 公開（公告）號: CN108564129B
• 公開（公告）日: 2020-09-08
• 發(fā)明（設(shè)計）人: 周帆;殷睿陽;鐘婷
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 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

本發(fā)明公開了一種基于生成對抗網(wǎng)絡(luò)的軌跡數(shù)據(jù)分類方法，首先將真實軌跡數(shù)據(jù)輸入生成對抗網(wǎng)絡(luò)，使生成對抗網(wǎng)絡(luò)訓(xùn)練至生成器生成與真實軌跡數(shù)據(jù)分布相同的仿真軌跡數(shù)據(jù)；然后利用生成對抗網(wǎng)絡(luò)的生成器生成若干組仿真軌跡數(shù)據(jù)；最好對生成的若干組仿真軌跡數(shù)據(jù)與真實軌跡數(shù)據(jù)一起進行分類處理，得到軌跡用戶映射。本發(fā)明通過生成對抗網(wǎng)絡(luò)可以模擬真實軌跡數(shù)據(jù)的分布，以生成的仿真軌跡數(shù)據(jù)和真實軌跡數(shù)據(jù)一起作為軌跡數(shù)據(jù)分類的數(shù)據(jù)源，對軌跡數(shù)據(jù)進行分類，可以有效解決數(shù)據(jù)稀疏問題，避免稀疏軌跡數(shù)據(jù)對軌跡數(shù)據(jù)分類產(chǎn)生的負面影響；由于稀疏軌跡數(shù)據(jù)也存在相應(yīng)的軌跡用戶映射，因此能夠?qū)崿F(xiàn)對稀疏軌跡數(shù)據(jù)分類有助于提高數(shù)據(jù)分類效果。

技術(shù)領(lǐng)域

本發(fā)明屬于機器學(xué)習(xí)中的深度學(xué)習(xí)領(lǐng)域，涉及一種基于機器學(xué)習(xí)的軌跡數(shù)據(jù)方法，尤其涉及一種基于對抗學(xué)習(xí)進行數(shù)據(jù)增強，從而提升軌跡數(shù)據(jù)分類效果的數(shù)據(jù)處理方法。

背景技術(shù)

隨著人類生活中智能手機、可穿戴智能設(shè)備的普及，越來越多的基于位置的社交網(wǎng)絡(luò)(LBSNs)數(shù)據(jù)被挖掘。對這些數(shù)據(jù)按照用戶進行分類是一個非常重要的研究方向，分類的結(jié)果對廣告或地點用戶的精準(zhǔn)推薦，甚至對于追蹤失蹤人口都有巨大的用處。

傳統(tǒng)的機器學(xué)習(xí)方法使用SVM、LDA、LCSS等算法對數(shù)據(jù)進行分類。而當(dāng)今社會是一個大數(shù)據(jù)的時代，在海量數(shù)據(jù)的前提下，傳統(tǒng)機器學(xué)習(xí)算法對于計算機內(nèi)存的消耗讓很多計算機設(shè)備難以承受，而深度學(xué)習(xí)不僅可以輕松地處理海量的數(shù)據(jù)，并且還可以達到優(yōu)于傳統(tǒng)機器學(xué)習(xí)算法的效果。使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)或者其變體長短期記憶網(wǎng)絡(luò)(LSTM)將軌跡按用戶類別進行分類(如圖1所示)，達到的分類效果要好于傳統(tǒng)的機器學(xué)習(xí)算法，具體處理過程如下：將進行預(yù)處理(包括刪除過長數(shù)據(jù)和刪除數(shù)據(jù)量較少的用戶)后的軌跡數(shù)據(jù)，例如圖1中的T¹₁(用戶1的第一條軌跡)、T²₁(用戶1的第二條軌跡)、T¹₂(用戶2的第一條軌跡)、T²₂(用戶2的第二條軌跡)……；使用Word2vec技術(shù)進行詞向量的轉(zhuǎn)換，將離散的軌跡點轉(zhuǎn)化為連續(xù)空間中的向量(這些向量中包含了數(shù)據(jù)的上下文信息，也就代表了原始數(shù)據(jù)之間的關(guān)系)，處理后的軌跡向量可以正確表示出原有軌跡數(shù)據(jù)中前一軌跡點和后一軌跡點之間的某種聯(lián)系；再將向量化的數(shù)據(jù)輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)中，從循環(huán)神經(jīng)網(wǎng)絡(luò)中輸出的信息輸入到一個全連接層中，通過使用softmax激活函數(shù)進行分類操作，便得到了該軌跡所屬的用戶ID【Q.Gao,F.Zhou,K.Zhang,G.Trajcevski,X,Luo,and F.Zhang,“Identifying Human Mobility via Trajectory Embeddings”2016】。對于當(dāng)今社會產(chǎn)生的海量數(shù)據(jù)而言，即使上述軌跡分類方法沒有包含調(diào)參等步驟，深度學(xué)習(xí)達到的效果已經(jīng)優(yōu)于傳統(tǒng)的機器學(xué)習(xí)算法。

深度學(xué)習(xí)對比傳統(tǒng)機器學(xué)習(xí)方法的優(yōu)點是可以更加有效地處理海量數(shù)據(jù)，然而真實的軌跡數(shù)據(jù)集中，有些用戶的軌跡數(shù)據(jù)豐富，而另一些用戶的軌跡數(shù)據(jù)卻很稀疏。在稀疏的數(shù)據(jù)上不足以體現(xiàn)出深度學(xué)習(xí)的優(yōu)勢，甚至?xí)ι窠?jīng)網(wǎng)絡(luò)的訓(xùn)練造成負面影響。因此對軌跡數(shù)據(jù)進行預(yù)處理是為了去除稀疏數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)訓(xùn)練帶來的負面影響。然而去除稀疏軌跡數(shù)據(jù)必然影響對真實軌跡數(shù)據(jù)的分類效果，從而影響其在實際生活中的應(yīng)用。因此為了使深度學(xué)習(xí)真正意義上地可以應(yīng)用在實際生活的問題中，必須處理好稀疏數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)帶來的負面影響，而不僅僅是刪除它們。

發(fā)明內(nèi)容

本發(fā)明的目的旨在克服現(xiàn)有技術(shù)中軌跡數(shù)據(jù)分類方法存在的難以對稀疏數(shù)據(jù)進行有效分類的缺陷，提供一種基于生成對抗網(wǎng)絡(luò)的軌跡數(shù)據(jù)分類方法，以解決因真實軌跡數(shù)據(jù)稀疏性對神經(jīng)網(wǎng)絡(luò)訓(xùn)練帶來的負面影響，提高深度學(xué)習(xí)對軌跡數(shù)據(jù)的分類效果，從而更加適用于實際應(yīng)用。