[发明专利]基于增强意图的循环神经网络模型预测行人轨迹的方法

说明书

本发明提供一种基于增强意图的循环神经网络模型预测行人轨迹的方法，来实现行人的移动轨迹的预测，包括以下步骤：S1)获取轨迹图；S2)意图增强‑语义策略选择；S3)基于门控循环单元的行人移动轨迹预测。本发明的优点是：通过图网络模型的相邻节点增强用户意图，并加入循环神经网络对行人移动轨迹进行预测，该模型在top‑k的准确度上相与其他算法相比效果提升明显。

技术领域

本发明涉及数据挖掘技术领域，具体涉及基于增强意图的循环神经网络模型预测行人轨迹方法。

背景技术

在LBS应用程序、旅游推荐、敏感位置广告、交通规划等方面，轨迹信息为挖掘人们的移动信息带来了巨大的机遇和挑战。与其他类型的应用相比，运动行为预测是具有不确定性的选择问题，行人的运动模式很容易随机和不可预测地出现。通过安装在城市中wifi传感器跟踪用户的城市旅游行为，发现每个人的旅游地点在日常生活中是完全不同的，大多数行人没有固定的日常交通模式，这是由于行人有不同的旅游意图。

目前，关于行人轨迹预测的研究大多才有基于统计和模式的方法，忽略了行为的随机性和模糊性。位置预测主要有以下三个挑战：其一，大多数记录的移动数据是低采样和不准确的，技术的限制是错过部分行人活动的一个原因；其二，现有的工作利用序列模型来捕捉运动规律，但由于公共交通系统、活动时间、天气状况出现的紧急情况，移动数据的挖掘是复杂且敏感的，使预测问题更加难以解决；其三，居住在同一个城市的居民有着不同的轨迹，但这些完全不同的轨迹背后的意图可能是相同的，基于这一点在每条轨迹中找到潜在的语义上下文也是一项艰巨的任务。

发明内容

本发明的目的是提供一种基于增强意图的循环神经网络模型预测行人轨迹的方法，通过增加轨迹节点的潜在语义，采用循环神经网络的方法预测行人轨迹。

为了达到上述目的，本发明通过以下技术方案来实现：

基于增强意图的循环神经网络模型预测行人轨迹的方法，其特征在于如下步骤：

S1)获取轨迹图

基于用户历史记录构建的图形结构，可以利用图形神经网络相关模型来描述点的关系，从而获得轨迹图；

S2)意图增强-语义策略选择

以下述任一一种语义选择策略来选择节点的一部分作为上下文：

(1)随机选择策略：目标是计算借点本身和所有邻域节点之间的点的上下文语义信息；

(2)方向导向策略：选择结点有两个标准：首先，两个附加边应该存在于个体的历史轨迹中，这表示这些边缘的通过概率很高；其次，原始路径的方向和增强路径应该是相似的，这意味着新路径的角落小于90°；

(3)最大概率策略：我们以三个节点模式(O_m,C_t,O_n)计算用户的所有轨迹；

S3)基于门控循环单元的行人移动轨迹预测

选择三种语义策略中的一种来增强用户意图，并利用循环神经网络来预测位置。

本发明与现有技术相比，具有以下优点：

本发明提供一种基于增强意图的循环神经网络AI-RNN，来实现行人的移动轨迹的预测。在实际场景下构建图结构，通过图网络模型的相邻节点增强用户意图，并加入循环神经网络对行人移动轨位置进行预测，该模型在top-k的准确度上相与现有算法相比效果提升明显。

附图说明

图1是本发明基于增强意图的循环神经网络AI-RNN元模型示意图。

图2是本发明基于增强意图的循环神经网络AI-RNN的3种增强意图方法示意图。

具体实施方式