[发明专利]一种轨迹复原算法的模型建立方法及系统

权利要求书

1.一种轨迹复原算法的模型建立方法，其特征在于，采用SMRA_BRITS算法预估缺失值得到，包括，

获取轨迹基于时间戳上的坐标的多变量序列X，X＝{x₁,x₂,...,x_t...,x_T}；x_t是第t个时间戳s_t对应的观测值，x_t∈R^D×1；t∈{1,2,...,T}，T为大于0的正整数；

建立坐标多变量序列中的遮蔽矩阵m，m＝[m₁,...,m_t,...,m_T]，其中m_t为第t个序列点对应的遮蔽向量；D表示多维变量个数；

基于坐标缺失值的时间戳与上一次真实观测值对应时间戳的差值构建时间间隔矩阵δ，δ＝[δ₁,...,δ_t,...,δ_T]，其中δ_t为第t个序列点对应的时间间隔向量，δ_t∈R^D×1；

建立基于某个变量历史数据之间的关系得到数值以及建立基于坐标多维变量之间耦合关系得到的数值以及融合与得到的融合后数据其中，基于某个变量历史数据之间关系得到的数值包括，

根据时间间隔矩阵δ建立输出端衰减函数输出端衰减函数

A∈R^H×D，a∈R^H×1，H表示单个时序点对应隐藏单元的个数；A,a初始值均由高斯分布抽样确定，模型训练不断迭代更新A,a，训练结束则A,a值最终确定；

并根据输出端衰减函数构建模型的隐藏状态函数h_t，

Θ为矩阵取内积符号，“||”代表纵向拼接；

h_t∈R^H×1，表示第t个时序点对应的隐藏层输出状态，h_t-1表示第t-1个时序点对应的隐藏层输出状态，默认初始值h₀由高斯分布抽样确定；

B∈R^H×H，m_t∈R^D×1，C∈R^H×2D，d∈R^H×1，σ为sigmoid激活函数；

h_t,B,C,d初始值均由高斯分布抽样确定，模型训练不断迭代更新h_t,B,C,d，训练结束，h_t,B,C,d最终确定；

实现输出基于某个变量历史数据之间关系得到的数值

其中，W_x∈R^D×H,b_x∈R^D×1；W_x,b_x初始值均由高斯分布抽样确定，模型训练不断迭代更新W_x,b_x，训练结束则W_x,b_x值最终确定；

建立基于多维变量之间耦合关系得到的数值

式中，其中，R_z∈R^D×D，0≤p≤1，p初始值为0；

W_z,b_z初始值为高斯分布抽样取值，模型训练不断迭代更新W_z,b_z,p，训练结束则W_z,b_z,p值最终确定；

其中，w_i,j是W_z中的一个元素，W_z∈R^D×D，当i≠j，w_i,j表示第j个变量对第i个变量的影响系数；当i＝j，w_i,j取值为0

计算出融合后的数据包括，

根据时间间隔矩阵建立输入端衰减函数输入端衰减函数为E∈R^D×D，e∈R^D×1，E,e初始值均由高斯分布抽样确定，模型训练不断迭代更新E,e，训练结束则E,e值最终确定；

通过该输入端衰减函数构建数值与数值的融合系数β_t，β_t∈R^D×1，β_t中每个元素的值介于0～1，含端点；F∈R^D×2D，f∈R^D×1，F,f初始值均由高斯分布抽样确定，模型训练不断迭代更新F,f，训练结束则F,f值最终确定；

同时根据计算出融合后的数据

获取轨迹基于时间戳上的行为方式的标签序列ρ＝[ρ₁,...,ρ_t,...,ρ_T]，ρ_t∈R^C×1，ρ_t为第t个序列点标签值的One-Hot编码；标签的遮蔽矩阵n＝[n₁,...,n_t,...,n_T]，n_t∈R^1×1；

根据坐标遮蔽矩阵m、坐标多变量序列X、标签遮蔽矩阵n、标签序列ρ以及融合后数据建立坐标的预测值及缺失标签的复原模型；其中，根据坐标遮蔽矩阵m、坐标的多维变量序列X以及融合后数据建立缺失值的预测值计算方法是采用如下算法进行的：

通过坐标回归和标签分类损失函数加权和迭代更新确定坐标轨迹和行为方式标签的复原算法模型。