[发明专利]一种基于生成对抗网络的轨迹数据分类方法

说明书

本发明公开了一种基于生成对抗网络的轨迹数据分类方法，首先将真实轨迹数据输入生成对抗网络，使生成对抗网络训练至生成器生成与真实轨迹数据分布相同的仿真轨迹数据；然后利用生成对抗网络的生成器生成若干组仿真轨迹数据；最好对生成的若干组仿真轨迹数据与真实轨迹数据一起进行分类处理，得到轨迹用户映射。本发明通过生成对抗网络可以模拟真实轨迹数据的分布，以生成的仿真轨迹数据和真实轨迹数据一起作为轨迹数据分类的数据源，对轨迹数据进行分类，可以有效解决数据稀疏问题，避免稀疏轨迹数据对轨迹数据分类产生的负面影响；由于稀疏轨迹数据也存在相应的轨迹用户映射，因此能够实现对稀疏轨迹数据分类有助于提高数据分类效果。

技术领域

本发明属于机器学习中的深度学习领域，涉及一种基于机器学习的轨迹数据方法，尤其涉及一种基于对抗学习进行数据增强，从而提升轨迹数据分类效果的数据处理方法。

背景技术

随着人类生活中智能手机、可穿戴智能设备的普及，越来越多的基于位置的社交网络(LBSNs)数据被挖掘。对这些数据按照用户进行分类是一个非常重要的研究方向，分类的结果对广告或地点用户的精准推荐，甚至对于追踪失踪人口都有巨大的用处。

传统的机器学习方法使用SVM、LDA、LCSS等算法对数据进行分类。而当今社会是一个大数据的时代，在海量数据的前提下，传统机器学习算法对于计算机内存的消耗让很多计算机设备难以承受，而深度学习不仅可以轻松地处理海量的数据，并且还可以达到优于传统机器学习算法的效果。使用循环神经网络(RNN)或者其变体长短期记忆网络(LSTM)将轨迹按用户类别进行分类(如图1所示)，达到的分类效果要好于传统的机器学习算法，具体处理过程如下：将进行预处理(包括删除过长数据和删除数据量较少的用户)后的轨迹数据，例如图1中的T¹₁(用户1的第一条轨迹)、T²₁(用户1的第二条轨迹)、T¹₂(用户2的第一条轨迹)、T²₂(用户2的第二条轨迹)……；使用Word2vec技术进行词向量的转换，将离散的轨迹点转化为连续空间中的向量(这些向量中包含了数据的上下文信息，也就代表了原始数据之间的关系)，处理后的轨迹向量可以正确表示出原有轨迹数据中前一轨迹点和后一轨迹点之间的某种联系；再将向量化的数据输入到循环神经网络(Recurrent Neural Network,RNN)中，从循环神经网络中输出的信息输入到一个全连接层中，通过使用softmax激活函数进行分类操作，便得到了该轨迹所属的用户ID【Q.Gao,F.Zhou,K.Zhang,G.Trajcevski,X,Luo,and F.Zhang,“Identifying Human Mobility via Trajectory Embeddings”2016】。对于当今社会产生的海量数据而言，即使上述轨迹分类方法没有包含调参等步骤，深度学习达到的效果已经优于传统的机器学习算法。

深度学习对比传统机器学习方法的优点是可以更加有效地处理海量数据，然而真实的轨迹数据集中，有些用户的轨迹数据丰富，而另一些用户的轨迹数据却很稀疏。在稀疏的数据上不足以体现出深度学习的优势，甚至会对神经网络的训练造成负面影响。因此对轨迹数据进行预处理是为了去除稀疏数据对神经网络训练带来的负面影响。然而去除稀疏轨迹数据必然影响对真实轨迹数据的分类效果，从而影响其在实际生活中的应用。因此为了使深度学习真正意义上地可以应用在实际生活的问题中，必须处理好稀疏数据对神经网络带来的负面影响，而不仅仅是删除它们。

发明内容

本发明的目的旨在克服现有技术中轨迹数据分类方法存在的难以对稀疏数据进行有效分类的缺陷，提供一种基于生成对抗网络的轨迹数据分类方法，以解决因真实轨迹数据稀疏性对神经网络训练带来的负面影响，提高深度学习对轨迹数据的分类效果，从而更加适用于实际应用。