[发明专利]一种人员移动性预测模型的训练方法及装置

说明书

本发明实施例提供的一种人员移动性预测模型的训练方法及装置，应用于信息技术领域，通过在多条轨迹信息中，选取指定比例的轨迹信息进行轨迹变换作为负样本轨迹信息，将未进行轨迹变换的轨迹信息作为正样本轨迹信息并进行分析，得到各自对应的质量分数，对待训练的校验网络模型的参数进行调整，得到训练好的校验网络模型；将样本人员的多条轨迹信息输入训练好的校验网络模型，得到对应各轨迹信息的质量分数；将多条轨迹信息中，对应的质量分数大于第一预设阈值的轨迹信息输入待训练的预测模型，对待训练的预测模型进行训练，得到训练好的预测模型，可以避免质量较差的样本数据对预测模型的训练过程的影响，提高训练号的模型的质量。

技术领域

本发明涉及信息技术领域，特别是涉及一种人员移动性预测模型的训练方法及装置。

背景技术

目前，基于深度学习的城市人群移动性预测已经有着广泛的应用，在实际生产中，通过收集人群的轨迹样本数据，并对人群的未来活动轨迹进行预测，可以便于根据预测结果提前进行指挥、疏导等工作。

然而，在进行人群移动性预测时，由于收集到的轨迹样本数据往往存在数据精度不高、样本质量偏差大等问题，从而导致所得到的预测结果准确度较低。

发明内容

本发明实施例的目的在于提供一种人员移动性预测模型的训练方法及装置。，用以解决轨迹样本数据精度不高导致的预测结果准确度较低问题。具体技术方案如下：

本申请实施的第一方面，首先提供了一种人员移动性预测模型的训练方法，上述方法包括：

获取样本人员的多条轨迹信息；

在多条轨迹信息中，选取指定比例的轨迹信息进行轨迹变换作为负样本轨迹信息，将未进行轨迹变换的轨迹信息作为正样本轨迹信息；

将负样本轨迹信息及正样本轨迹信息分别输入到待训练的校验网络模型中进行分析，得到各自对应的质量分数，并按照正样本轨迹信息对应的质量分数高于负样本轨迹信息对应的质量分数的调整方式对待训练的校验网络模型的参数进行调整，得到训练好的校验网络模型；

将样本人员的多条轨迹信息输入训练好的校验网络模型，得到对应各轨迹信息的质量分数；

将多条轨迹信息中，对应的质量分数大于第一预设阈值的轨迹信息输入待训练的预测模型，对待训练的预测模型进行训练，得到训练好的预测模型。

可选的，将多条轨迹信息中，对应的质量分数大于第一预设阈值的轨迹信息输入待训练的预测模型，对待训练的预测模型进行训练，得到训练好的预测模型，包括：

将多条轨迹信息中，对应的质量分数大于第一预设阈值的轨迹信息输入待训练的预测模型，得到对应样本人员的预测结果；

计算对应预测结果的损失；

计算并以预测结果对应的损失和质量分数之积作为目标损失；

根据目标损失，对待训练的预测模型的参数进行更新，返回将多条轨迹信息中，对应的质量分数大于第一预设阈值的轨迹信息输入待训练的预测模型，得到对应样本人员的预测结果的步骤继续执行，直至预测结果对应的损失小于第二预设阈值，得到训练好的预测模型。

可选的，将样本人员的多条轨迹信息输入训练好的校验网络模型，得到对应各轨迹信息的质量分数之后，上述方法还包括：

将多条轨迹信息中，对应的质量分数不大于第一预设阈值的轨迹信息抛弃。

可选的，上述方法还包括：

获取目标人员的轨迹信息；

将目标人员的轨迹信息输入训练好的预测模型，计算得到目标用户预测轨迹。

本申请实施的第二方面，提供了一种人员移动性预测模型的训练装置，上述装置包括：