[發明專利]一種用戶運動軌跡的預測方法、裝置、設備及存儲介質

在審

• 申請號: 202010213218.0
• 申請日: 2020-03-24
• 公開（公告）號: CN111339449A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 李建波;姜山
• 申請（專利權）人: 青島大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郄晨芳

本申請公開了一種用戶運動軌跡的預測方法，包括：利用設置有循環神經網絡模塊和圖卷積網絡模塊的深度神經網絡訓練出目標軌跡預測模型；將目標用戶的軌跡地點集合輸入至目標軌跡預測模型中，得出目標用戶的預測運動軌跡。相較于現有技術，本方法在利用循環神經網絡模塊獲取用戶軌跡的時間依賴關系的同時，進一步利用目標軌跡預測模型中的圖卷積網絡模塊獲取用戶軌跡的空間依賴關系，因此能夠利用更多的信息來預測目標用戶的運動軌跡，因此能夠提高預測目標用戶的運動軌跡的準確度。本申請還公開了一種用戶運動軌跡的預測裝置、設備及計算機可讀存儲介質，均具有上述有益效果。

技術領域

本發明涉及軌跡預測領域，特別涉及一種用戶運動軌跡的預測方法、裝置、設備及計算機可讀存儲介質。

背景技術

隨著信息技術的快速發展，基于用戶位置的應用服務越來越廣泛，如記錄用戶的步行步數，跑步距離和地理位置等；并且，用戶運動軌跡的預測問題，在人工智能領域受到越來越多的關注。

目前，通過對用戶的運動軌跡進行分析可知，用戶運動軌跡的地點間的關系往往不是簡單的馬爾科夫性質和周期性等關系，它們之間是各種復雜的非線性關系。因此為了對用戶運動軌跡進行預測，現有技術利用設置有循環神經網絡模塊的深度神經網絡進行學習訓練，得出目標軌跡預測模型，然后利用目標軌跡預測模型對目標用戶的運動軌跡進行預測。但是，由于循環神經網絡模塊只能獲取用戶軌跡的時間依賴關系，使得對目標用戶的運動軌跡的預測不夠準確。

因此，如何提高預測目標用戶的運動軌跡的準確度，是本領域技術人員目前需要解決的技術問題。

發明內容

有鑒于此，本發明的目的在于提供一種用戶運動軌跡的預測方法，能夠提高預測目標用戶的運動軌跡的準確度；本發明的另一目的是提供一種提高預測目標用戶的運動軌跡的準確度裝置、設備及計算機可讀存儲介質，均具有上述有益效果。

為解決上述技術問題，本發明提供一種用戶運動軌跡的預測方法，包括：

利用設置有循環神經網絡模塊和圖卷積網絡模塊的深度神經網絡訓練出目標軌跡預測模型；

將目標用戶的軌跡地點集合輸入至所述目標軌跡預測模型中，得出所述目標用戶的預測運動軌跡。

優選地，所述循環神經網絡模塊具體為編碼器-解碼器模塊。

優選地，所述利用設置有循環神經網絡模塊和圖卷積網絡模塊的深度神經網絡訓練出目標軌跡預測模型的過程，具體包括：

分別將各樣本用戶的樣本軌跡地點集合按照預設時間間隔劃分出對應的樣本子軌跡序列；

利用各所述樣本子軌跡序列確定出各所述樣本用戶的歷史軌跡和當前軌跡的樣本對；

將所述樣本對輸入至設置有所述循環神經網絡模塊和所述圖卷積網絡模塊的所述深度神經網絡中，得出所述目標軌跡預測模型。

優選地，在所述利用各所述樣本子軌跡序列確定出各所述樣本用戶的歷史軌跡和當前軌跡的樣本對之后，進一步包括：

利用嵌入式技術編碼對各所述樣本對進行編碼，得到編碼樣本對；

對應的，所述將所述樣本對輸入至設置有所述循環神經網絡模塊和所述圖卷積網絡模塊的所述深度神經網絡中，得出所述目標軌跡預測模型的過程，具體包括：

將所述編碼樣本對輸入至設置有所述循環神經網絡模塊和所述圖卷積網絡模塊的所述深度神經網絡中，得出所述目標軌跡預測模型。

優選地，進一步包括：

在預設地圖上標記出與所述預測運動軌跡對應的目標地址。

為解決上述技術問題，本發明還提供一種用戶運動軌跡的預測裝置，包括：