[发明专利]一种轨迹复原算法的模型建立方法及系统

说明书

本发明属于轨迹复原领域，具体涉及一种轨迹复原算法的模型建立方法及系统，包括，获取轨迹基于时间戳上的坐标多变量序列；建立坐标多维变量的遮蔽矩阵，构建时间间隔矩阵；建立基于某个变量历史数据之间的关系，建立基于坐标多维变量之间耦合关系，以及得到的融合后数据同时还包括获取轨迹基于时间戳上的行为方式的标签序列，建立标签的遮蔽矩阵；根据坐标的遮蔽矩阵、坐标的多变量序列、融合后数据标签遮蔽矩阵以及标签序列建立坐标的预测值和缺失标签的计算方法；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。模型训练采用有序样本输入有效解决有关系样本的轨迹复原问题。

技术领域

本发明属于轨迹复原领域，具体涉及一种轨迹复原算法的模型建立方法及系统。

背景技术

(1)当前通信数据库和云平台已经接轨，依据手机信号的实时定位技术已经开始商用，相关app已经投放在安卓下载平台，应用的前提是需要被测手机授权。

(2)云平台可以个性化定制操作系统、GPU以及应用软件等，阿里、腾讯、华为已经可以提供相应服务，客户可根据项目需要进行二次开发。

(3)在谈及轨迹算法之前，本文需要了解当前通信数据所受的制约。随着5G商用化加快，公民手机及穿戴设备都可作为移动终端，海量的人员轨迹数据随之急剧增长，但受制于公民自我开关设备、区域禁用通信设备、信号采集周期过长以及通信设备本身故障等原因导致无法精确定位公民位置更无法确定公民行为。

(4)轨迹属于时序化数据的范畴，克服(3)中制约限制实质就是解决时序化插值的问题。D.M.Kreindler and C.J.Lumsden.The effects of the irregular sample andmissing data in time series analysis.Nonlinear Dynamical Systems Analysis forthe Behavioral Sciences Using Real Data,page 135,2012.Kreindler等假设数据是平滑的，在缺失值所在的时空区间上没有突然的波动，然后按照最近邻原则完成插值。显然这种假设已经大大降低模型泛化能力，一旦待插值数据平滑度不够，算法模型性能大幅降低甚至无法应用。

(5)H.-F.Yu,N.Rao,and I.S.Dhillon.Temporal regularized matrixfactorization for highdimensional time series prediction.In Advances inneural information processing systems,pages 847–855,2016.Yu等利用具有时间正则化的矩阵因式分解在定期采样的时间序列数据中计算缺失的值，但通常矩阵分解适用于静态数据，并且事先需假设矩阵具有较低的秩以降低计算负荷。但申请人在实际应用中容易发现，该方法的数据量与矩阵秩大小的平法成正比，应用范围十分受限，并且受静态数据的限制更是很难完成诸如天气、温度、实时轨迹等动态数据插值的预测。

(6)Che,Z.,Purushotham,S.,Cho,K.,Sontag,D.,Liu,Y.(2018).RecurrentNeural Networks for Multivariate Time Series with Missing Values.ScientificReports,8(1).doi:10.1038/s41598-018-24271-9.Che等将遮蔽矩阵及时间间隔矩阵也作为输入数据送入模型并且引入隐藏状态衰减项和输入衰减项以提高预测精度。但该方法并未对高缺失率(比如缺失率为90％)进行算法优劣试验，作者提供输入衰减项就是用来建立多变量之间关系，当缺失率过高，多变量之间建立错误的关系成为主导，当该关系被应用于模型不仅没有提高预测精度反而可能恶化模型的预测性能，所以作者得出GRU-D性能最优的结论需要给出缺失率上限值。