[發明專利]軌跡生成模型訓練方法、軌跡生成方法及裝置

在審

• 申請號: 202110928066.7
• 申請日: 2021-08-12
• 公開（公告）號: CN113761395A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 王寰東;李勇;張啟鐘;金德鵬
• 申請（專利權）人: 清華大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/2458;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 謝志超

1.一種軌跡生成模型訓練方法，其特征在于，包括：

將歷史移動數據輸入到逆向生成模型，得到對應所述歷史移動數據的隱含移動特征；

將所述隱含移動特征輸入到軌跡生成模型，分別得到時間維度的指數分布和空間維度的多項式分布；

訓練并優化由所述逆向生成模型和所述軌跡生成模型共同構成的變分時間點過程模型，訓練結束后，得到用于軌跡生成的所述軌跡生成模型。

2.根據權利要求1所述的軌跡生成模型訓練方法，其特征在于，所述歷史移動數據包括用戶靜態信息、地點信息、進入地點的時間以及進入地點后的停留時間；

所述將歷史移動數據輸入到逆向生成模型，得到對應所述歷史移動數據的隱含移動特征，包括：

將所述進入地點的時間輸入到位置編碼網絡，得到經過位置編碼的進入地點的時間；將所述停留時間、所述用戶靜態信息和所述地點信息分別輸入到嵌入式編碼網絡，得到經過嵌入式編碼的停留時間、用戶靜態信息和地點信息；

將所述經過位置編碼的進入地點的時間、所述經過嵌入式編碼的停留時間、用戶靜態信息和地點信息輸入到全連接層，拼接得到第一向量；

將所述第一向量輸入到LSTM神經網絡，得到第一隱狀態變量；

將所述第一隱狀態變量分別輸入到均值編碼器和方差編碼器，得到對應所述歷史移動數據的隱含移動特征。

3.根據權利要求2所述的軌跡生成模型訓練方法，其特征在于，所述將所述隱含移動特征輸入到軌跡生成模型，分別得到時間維度的指數分布和空間維度的多項式分布，包括：

將所述隱含移動特征、所述經過嵌入式編碼的用戶靜態信息及所述經過位置編碼的進入地點的時間輸入到LSTM神經網絡，得到第二隱狀態變量；

將所述第二隱狀態變量輸入到時間解碼器，得到強度函數，根據所述強度函數得到所述時間維度的指數分布；其中，所述時間解碼器包括全連接層，并且最后一層全連接層的輸出經由指數函數處理；

將所述第二隱狀態變量輸入到第一地點解碼器，得到基于時間點過程的多項式分布，根據所述基于時間點過程的多項式分布得到所述空間維度的多項式分布；其中，所述第一地點解碼器包括全連接層，并且最后一層全連接層的輸出維度設置為經過編號后的區域總數。

4.根據權利要求1所述的軌跡生成模型訓練方法，其特征在于，所述歷史移動數據包括用戶靜態信息、地點信息、進入地點的時間、進入地點后的停留時間以及地點POI信息；

所述將歷史移動數據輸入到逆向生成模型，得到對應所述歷史移動數據的隱含移動特征，包括：

將所述進入地點的時間輸入到位置編碼網絡，得到經過位置編碼的進入地點的時間；將所述停留時間、所述用戶靜態信息、所述地點信息及所述地點POI信息分別輸入到嵌入式編碼網絡，得到經過嵌入式編碼的停留時間、用戶靜態信息、地點信息及地點POI信息；

將所述經過位置編碼的進入地點的時間、所述經過嵌入式編碼的停留時間、用戶靜態信息、地點信息及地點POI信息輸入到全連接層，拼接得到第二向量；

將所述第二向量輸入到LSTM神經網絡，得到第三隱狀態變量；

將所述第三隱狀態變量分別輸入到均值編碼器和方差編碼器，得到對應所述歷史移動數據的隱含移動特征。