[发明专利]一种轨迹数据的追踪与预测方法、装置及介质

说明书

本发明公开了一种轨迹数据的追踪与预测方法、装置及介质，适用于轨迹追踪技术领域。将待预测轨迹数据进行聚类初始化得到网络初始化参数；根据网络初始化参数对第一基模型参数更新，将支持集内的轨迹数据输入至参数更新后的第一基模型得到初始化结果，进一步损失处理得到损失结果；根据损失结果对第二基模型参数更新，将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果。该方法通过获取待预测轨迹数据，可以来自冷启动用户或冷启动路径对应的数据，基于元学习的模型对待预测轨迹数据进行追踪与预测，由于元学习可以解决移动信令轨迹的少样本问题，解决了现有的追踪预测无法支持冷启动用户及冷启动路径的预测问题。

技术领域

本发明涉及轨迹追踪技术领域，特别是涉及一种轨迹数据的追踪与预测方法、装置及介质。

背景技术

随着移动智能设备和位置服务的广泛使用，大量信令轨迹数据得以被采用并持久化存储。该数据以大量移动对象的行驶轨迹为内容，不仅刻画了每条轨迹移动的实时状态，而且蕴含着丰富的轨迹移动的模式规律，为移动轨迹的追踪与预测提供了前所未有的机遇。因此，越来越多的应用从轨迹数据中分析其移动过程中的行为偏好和特征，挖掘移动模式与规律，从而进行移动轨迹的追踪与预测。

现有的移动轨迹数据的追踪与预测由于数据的稀疏性问题通常面临着冷启动用户或者冷启动路径。例如，冷启动用户可能有很少的历史轨迹，而其他用户可能面临位于不熟悉的区域的移动轨迹。现有的模型进行追踪与预测需要大量的训练数据，若在冷启动用户或者冷启动路径这样的少样本数据发现序列模式和用户偏好却成为一种严重的挑战，故在支持冷启动预测方面无效，导致轨迹追踪与预测的准确度降低。

因此，寻求一种轨迹数据的追踪与预测方法是本领域技术人员亟需要解决的。

发明内容

本发明的目的是提供一种轨迹数据的追踪与预测方法、装置及介质，解决了现有的模型进行追踪预测无法支持冷启动用户及冷启动路径的预测问题，同时提高轨迹追踪与预测的准确度。

为解决上述技术问题，本发明提供一种轨迹数据的追踪与预测方法，包括：

获取当前用户的待预测轨迹数据；

将待预测轨迹数据进行聚类初始化得到网络初始化参数；

根据网络初始化参数对第一基模型进行参数更新，并将支持集内的轨迹数据输入至参数更新后的第一基模型以得到初始化结果，对初始化结果进行损失处理得到损失结果，其中，支持集内的轨迹数据由待预测轨迹数据与用户对应的历史轨迹数据的关系确定得到；

根据损失结果对第二基模型进行参数更新，并将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果，其中查询集内的数据为待预测轨迹数据。

优选地，将待预测轨迹数据进行聚类初始化得到网络初始化参数，包括：

获取当前用户的历史轨迹数据；

通过加权策略将历史轨迹数据构建当前用户的空间分布；

通过全连接层将空间分布转换得到当前用户的出行偏好向量；

通过全连接层对出行偏好向量进行线性映射得到查询向量；

根据查询向量与多个聚类参数进行余弦相似度得到对应的相似度分数，并组合成相似度矩阵；

获取原始参数记忆向量和上一个待预测轨迹数据对应的网络参数与预测层全局参数，其中，首个参数记忆向量为原始参数记忆向量，网络参数由上一个待预测轨迹数据对应的损失结果得到，预测层全局参数由上一个待预测轨迹数据对应的第二基模型得到的损失结果，并根据第二基模型得到的损失结果进行处理得到的参数；

根据网络参数与原始参数记忆向量的关系确定当前参数记忆向量；

根据当前参数记忆向量与相似度矩阵的关系确定网络参数偏置；