[发明专利]一种基于深度学习的轨迹数据去匿名方法

权利要求书

1.一种基于深度学习的轨迹数据去匿名方法，其特征在于，包括以下步骤：

步骤1：在预设的划分精度下，将轨迹数据空间划分为若干个网格形状的子空间；

步骤2：对于真实世界的轨迹数据集，将轨迹数据分为两组，一组是已知用户轨迹数据，另一组是匿名用户轨迹数据，将两组轨迹数据拆分成轨迹段，映射到网格数据中，从而得到所述轨迹数据对应的一组网格标识序列；

步骤3：将步骤2中得到的一组网格标识序列输入到改进的DenseNet模型中，已知用户轨迹数据作为训练集，匿名用户轨迹数据作为测试集；对训练集经过若干次迭代、训练，得到训练好的模型；

步骤4：将训练好的模型运用于匿名用户轨迹段数据，通过模型对轨迹的分类，将匿名数据与已知用户数据集中的数据对应，找到匿名用户轨迹数据对应的真实用户信息，从而达到轨迹数据去匿名效果。

2.根据权利要求1所述的基于深度学习的轨迹数据去匿名方法，其特征在于：步骤1中，网格形状的子空间大小设定为grid_width＝16，grid_height＝16。

3.根据权利要求1所述的基于深度学习的轨迹数据去匿名方法，其特征在于，步骤2的具体实现包括以下步骤：

步骤2.1：将轨迹数据用四元组表示为(mmsi，lat，lon，ti)，其中mmsi表示移动目标、lon表示地理坐标经度、lat表示地理坐标维度、ti表示记录时间，作为网格数据映射的输入；

步骤2.2：将轨迹数据按不同用户拆分为若干个轨迹段，记录轨迹段中轨迹点的个数，取得每一个当前轨迹段最大纬度、最小纬度、最大经度和最小经度；

步骤2.3：利用记录的最大最小纬度按照以下公式将轨迹映射到网格数据中；

inter_lat＝(max_lat-min_lat)/grid_width

inter_lon＝(max_lon-min_lon)/grid_height

grid_lat＝int((max_lat-float(lat))/inter_lat)

grid_lon＝int((float(lon)-min_lon)/inter_lon)

其中，grid_width，grid_height表示网格形状的子空间大小，inter_lat，inter_lon分别表示当前轨迹段的经纬度映射精度，max_lat，min_lat，max_lon，min_lon分别表示当前轨迹段的最大纬度、最小纬度，最大经度和最小经度；float(lat)、float(lon)表示纬度、经度的浮点数，grid_lat、grid_lon表示网格纬度和网格经度。

4.根据权利要求3所述的基于深度学习的轨迹数据去匿名方法，其特征在于：步骤3中，所述改进的DenseNet模型，由多个Dense Block组成，并引入了注意力机制，block内部结构为BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)；每个Dense Block的之间层为transitionlayers，由BN->Conv(1×1)->average Pooling(2×2)组成；通过堆叠Attention DenseModule，加强网络中特征的传播，同时也减少了网络的参数；

改进的DenseNet模型使用keras和tensorflow来搭建。

5.根据权利要求3或4任意一项所述的基于深度学习的轨迹数据去匿名方法，其特征在于：步骤4中，通过轨迹分类，将这些匿名轨迹与其对应的mmsi对应；mmsi相同的轨迹段即为同一用户的轨迹数据，即完成了对假名用户的去匿名化，获取其真实用户信息。