[發明專利]一種基于量子游走的行為軌跡序列多特征模擬方法

在審

• 申請號: 202110636508.0
• 申請日: 2021-06-08
• 公開（公告）號: CN113393488A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 王增杰;滕玉浩;羅文;張悅
• 申請（專利權）人: 南京師范大學
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06N10/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 王安琪

本發明公開了一種基于量子游走的行為軌跡序列多特征模擬方法，包括如下步驟：(1)生成全集特征序列；(2)篩選特征序列；(3)構建特征序列映射機制；(4)實驗驗證。本發明基于個體行為與群體行為間的轉化組合特性，從多尺度解析的視角利用量子游走模擬同類個體的特征結構，并實現對行為軌跡的模擬。

技術領域

本發明涉及量子力學和交通地理技術領域，尤其是一種基于量子游走的行為軌跡序列多特征模擬方法。

背景技術

大數據、物聯網與精密定位技術的發展推動了城市感知的進步。隨著社會活動的與日俱增，網約車軌跡數據不僅記錄了其行車軌跡，還蘊藏著道路交通狀態、城市居民出行規律、城市結構及其他社會問題。網約車行為軌跡序列是行為軌跡在不同時空尺度下的聚合結果，反映了網約車行為軌跡在不同空間尺度之下隨時間的變化狀態或程度。當前對行為軌跡的研究大多集中于對軌跡數據本身的特征提取與特征識別，較少從行為軌跡序列的時空分布來考慮其結構和特征，對行為軌跡序列的時空分異規律考慮不足。

基于數據挖掘手段，當前對行為軌跡數據研究主要有城市規劃和社會感知兩個方向。在城市規劃方向上，大多利用行為軌跡數據發現、識別并評估靜態城市規劃和城市結構。對于社會感知，大部分學者基于行為軌跡數據對城市內人群活動的動態變化、移動模式進行分析和監測。以上兩個方向已有較多成熟的研究成果。近年來，各領域的學者都不斷試圖從行為軌跡數據中挖掘新的知識與經驗，研究改進了各種理論方法，可將其歸納為四類：空間統計、時間序列方法、圖論與復雜網絡，以及機器學習。以上模型方法大多基于行為軌跡數據本身開展研究工作，取得了豐碩的研究成果，但對行為軌跡的聚合數據研究較少。

發明內容

本發明所要解決的技術問題在于，提供一種基于量子游走的行為軌跡序列多特征模擬方法，基于個體行為與群體行為間的轉化組合特性，從多尺度解析的視角利用量子游走模擬同類個體的特征結構，并實現對行為軌跡的模擬。

為解決上述技術問題，本發明提供一種基于量子游走的行為軌跡序列多特征模擬方法，包括如下步驟：

(1)生成全集特征序列；

(2)篩選特征序列；

(3)構建特征序列映射機制；

(4)實驗驗證。

優選的，步驟(1)中，生成全集特征序列具體為：基于量子游走的基本假設，在格網化為m×n個區塊的城市內部系統中，將行為特征所有可能的分布定義為量子游走的基態，記為：

表示駕駛員在不同區塊間的移動在量子游走模擬中體現為粒子在不同結點間的轉移；

定義一個由基態構成的希爾伯特空間H，且由基態線性組合而成的疊加態同樣處于該空間中；因此，量子游走的狀態|δ(k)被定義為所有基態的線性疊加：

其中|a_i(k)|∈[0,1]，表示駕駛員在給定時間處于狀態|i的概率幅；根據隨機性假設，基于酉變換，將狀態向量|δ(k)隨時間的演化表示如下：

如式(3)所示，狀態向量的動態演變取決于鄰接矩陣A，從離散點的視角將其轉化為矩陣，并通過矩陣運算有效求解狀態向量；至此，構建了基于量子游走的全集特征序列生成模型。

優選的，基于以下規則不斷調整參數：在研究區域的56個區塊上進行2000次量子游走，其控制參數從0.01增加至20，且間隔為0.01；最終，得到了56個區塊所有可能的特征序列，實現了量子游走的全集特征序列生成。

優選的，步驟(2)中，篩選特征序列具體為：以ReliefF特征選擇算法來篩選行為軌跡特征序列，在實際行為軌跡時間序S的約束下，對步驟(1)生成的全集特征序列進行ReliefF特征子集篩選，將其表示為：