[发明专利]基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法

权利要求书

1.一种基于变分轨迹上下文感知的人类移动模式推测模型，其特征在于人类移动模式推测包括当前轨迹的上一条轨迹恢复和下一条轨迹预测；所述人类移动模式推测模型包括：

数据预处理模块，用于获得当前轨迹各轨迹点的嵌入向量；

循环轨迹编码器，用于对输入的当前轨迹嵌入向量进行编码，得到当前轨迹语义向量；

变分轨迹编码器，用于对输入的当前轨迹嵌入向量进行学习，得到变分隐变量；

变分注意力层，用于基于变分注意力机制，依据当前轨迹语义向量获取当前轨迹的注意力向量，并将注意力向量和变分隐变量进行级联，两者联合来重建解码器的输入数据；注意力向量包括上一条轨迹的注意力向量和下一条轨迹的注意力向量；重建输入数据包括上一条轨迹的重建输入数据和下一条轨迹的重建输入数据；

解码器，用于对重建的输入数据进行解码，得到人类移动模式推测轨迹；针对上一条轨迹恢复和下一条轨迹预测分别设置一组解码器，每组解码器均由第一级解码器和第二级解码器构成，第一级解码器用于获得上一条轨迹和下一条轨迹的条件概率，并依据上一条轨迹和下一条轨迹的条件概率得到两者的对数概率，第二级解码器以第一级解码器的输出作为输入，用于细化恢复的上一条轨迹和预测的下一条轨迹；

上一条轨迹和下一条轨迹的对数概率如下式所示：

式中，和分别表示上一条轨迹和下一条轨迹的第t个轨迹点的条件概率；表示用于轨迹恢复的一组解码器中第一级解码器的输出门；表示用于轨迹预测的一组解码器中第一级解码器的输出门；和分别表示上一条轨迹和下一条轨迹的注意力向量；z表示变分隐变量；和分别表示对应第一级解码器的第(t-1)个隐藏状态。

2.权利要求1求所述基于变分轨迹上下文感知的人类移动模式推测模型的训练方法，其特征在于包括以下步骤：

S1通过数据预处理模块获得训练集中轨迹各轨迹点的嵌入向量；

S2通过循环轨迹编码器对输入的轨迹嵌入向量进行编码，得到轨迹语义向量；

S3通过变分轨迹编码器对输入的轨迹嵌入向量进行学习，得到轨迹的变分隐变量；

S4基于变分注意力机制，依据轨迹语义向量，通过变分注意力层获取轨迹的注意力向量，将注意力向量和变分隐变量进行级联，以此联合二者来重建输入数据；

S5，通过解码器对重建的输入数据进行解码，得到恢复的上一条轨迹或/和预测的下一条轨迹及相应的输出概率；

S6，重复步骤S1-S5，最小化变分隐变量的后验分布与真实分布之间的KL散度，并最大化恢复的上一条轨迹或/和预测的下一条轨迹的输出概率，即得到人类移动模式推测模型。

3.根据权利要求2所述基于变分轨迹上下文感知的人类移动模式推测模型的训练方法，其特征在于步骤S4包括以下分步骤：

S41，基于变分注意力机制，按照以下公式计算得到轨迹中不同轨迹点对循环轨迹编码器当前对应输出值的概率分布γ_tv：

式中，表示用于生成上一条或下一条轨迹的第一级解码器的第t个隐藏状态，是循环轨迹编码器的第v个隐藏状态，W为该条轨迹需要学习的参数矩阵，W^T即为W的转置；

S42，通过加权输入求和计算得到注意力向量

S43，将注意力向量c和变分隐变量z进行级联，以重建第一级解码器的输入数据；其中，对于给定的T_i，其对数概率计算如下：

上式是基于c和z均满足条件独立性得出的；式中，表示变分下限，表示logp(T_i|·)对后验分布q(·|T_i)的期望，表示潜在后验分布q(·|T_i)和真实分布p(·)之间的KL散度，ρ、ψ为求解过程中的变量，取值范围均为[0,1]。