本技術(shù)屬于移動軌跡確定，特別涉及一種軌跡合成模型訓(xùn)練方法及裝置。

背景技術(shù)：

1、移動軌跡確定的現(xiàn)有方案，包括基于統(tǒng)計學(xué)的模型以及基于深度學(xué)習(xí)(deeplearning，dl)的模型。其中，基于統(tǒng)計的方法需要依賴軌跡庫，軌跡庫中的軌跡數(shù)量少，且包含大量用戶隱私信息；基于dl的軌跡合成方法，目前的算法對應(yīng)的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)缺少先驗知識的機制，無法保證預(yù)測準(zhǔn)確性。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供一種軌跡合成模型訓(xùn)練方法及裝置，能夠解決現(xiàn)有的移動軌跡確定模型無法兼顧保證用戶隱私以及模型準(zhǔn)確性的問題。

2、為了解決上述技術(shù)問題，本技術(shù)實施例提供一種軌跡合成模型訓(xùn)練方法，包括：

3、基于用戶的歷史軌跡信息以及由所述歷史軌跡信息獲取的參考信息，獲取編碼器解碼器結(jié)構(gòu)的模型，所述參考信息包括：出發(fā)地信息和目的地信息，所述歷史軌跡信息包括：至少一個位置信息以及每個位置信息對應(yīng)的時間信息；

4、基于所述編碼器解碼器結(jié)構(gòu)的模型，獲取用戶先驗信息；

5、基于所述用戶先驗信息、所述歷史軌跡信息進(jìn)行模型訓(xùn)練，獲取軌跡合成模型。

6、可選地，所述基于用戶的歷史軌跡信息以及由所述歷史軌跡信息獲取的參考信息，獲取編碼器解碼器結(jié)構(gòu)的模型，包括：

7、基于用戶的歷史軌跡信息，確定包含位置和時間的分布參數(shù)；

8、從服從所述分布參數(shù)的高斯分布中進(jìn)行采樣，獲取包含位置和時間的特征向量；

9、基于所述特征向量以及所述參考信息，進(jìn)行模型的訓(xùn)練獲取編碼器解碼器結(jié)構(gòu)的模型。

10、可選地，所述基于用戶的歷史軌跡信息，確定包含位置和時間的分布參數(shù)，包括：

11、基于用戶的歷史軌跡信息，對所述歷史軌跡信息中的每個位置以及到達(dá)所述位置的時間進(jìn)行編碼，分別獲取位置向量以及時間向量；

12、基于所述位置向量以及時間向量，獲取包含位置和時間的分布參數(shù)。

13、可選地，所述基于所述位置向量以及時間向量，獲取包含位置和時間的分布參數(shù)，包括：

14、將所述位置向量和時間向量進(jìn)行拼接，獲取第一拼接向量；

15、將所述第一拼接向量輸入多層感知器mlp層，獲取包含位置和時間的分布參數(shù)。

16、可選地，所述基于所述特征向量以及所述參考信息，進(jìn)行模型的訓(xùn)練獲取編碼器解碼器結(jié)構(gòu)的模型，包括：

17、基于所述特征向量，獲取出發(fā)地和目的地分別對應(yīng)的出發(fā)地向量和目的地向量；

18、基于所述出發(fā)地向量和目的地向量，獲取預(yù)測的出發(fā)地和目的地；

19、基于所述參考信息、所述預(yù)測的出發(fā)地和目的地，進(jìn)行模型的訓(xùn)練和優(yōu)化，獲取最終的編碼器解碼器結(jié)構(gòu)的模型。

20、可選地，所述基于所述用戶先驗信息、所述歷史軌跡信息進(jìn)行模型訓(xùn)練，獲取軌跡合成模型，包括：

21、基于所述用戶先驗信息和所述歷史軌跡信息，確定第一輸入特征；

22、基于所述第一輸入特征、用戶先驗信息以及用戶的運動軌跡中當(dāng)前位置之后的下一個位置的停留時間，進(jìn)行模型訓(xùn)練，獲取軌跡合成模型。

23、可選地，所述基于所述用戶先驗信息和所述歷史軌跡信息，確定第一輸入特征，包括：

24、將所述歷史軌跡信息進(jìn)行編碼處理，獲取第一信息；

25、將所述第一信息與用戶先驗信息進(jìn)行向量拼接，獲取第二拼接向量；

26、將所述第二拼接向量輸入長短期記憶lstm神經(jīng)網(wǎng)絡(luò)，獲取第二參數(shù)；

27、從服從第二參數(shù)的高斯分布中進(jìn)行采樣，獲取第一輸入特征。

28、可選地，所述將所述歷史軌跡信息進(jìn)行編碼處理，獲取第一信息，包括以下至少一項：

29、將用戶的運動軌跡中的當(dāng)前位置基于興趣點信息進(jìn)行線性編碼，得到第一信息中的第一位置特征向量；

30、將用戶的運動軌跡中的當(dāng)前位置進(jìn)行位置編碼，得到第一信息中的第二位置特征向量；

31、將到達(dá)用戶的運動軌跡中的當(dāng)前位置的時刻進(jìn)行位置編碼，得到第一信息中的第一時間特征向量；

32、將到達(dá)用戶的運動軌跡中的當(dāng)前位置的前一個位置和當(dāng)前位置的時間間隔進(jìn)行位置編碼，得到第一信息中的第二時間特征向量。

33、可選地，所述基于所述第一輸入特征、用戶先驗信息以及用戶的運動軌跡中當(dāng)前位置之后的下一個位置的停留時間，進(jìn)行模型訓(xùn)練，獲取軌跡合成模型，包括：

34、將所述第一輸入特征、用戶先驗信息以及用戶的運動軌跡中當(dāng)前位置之后的下一個位置的停留時間輸入lstm神經(jīng)網(wǎng)絡(luò)，分別訓(xùn)練獲取軌跡合成模型中的用戶的運動軌跡中的當(dāng)前位置之后的下一個位置以及下一個位置的停留時間。

35、可選地，所述訓(xùn)練獲取軌跡合成模型中的用戶的運動軌跡中的當(dāng)前位置之后的下一個位置的停留時間，包括：

36、獲取lstm神經(jīng)網(wǎng)絡(luò)輸出的第三參數(shù)；

37、根據(jù)所述第三參數(shù)、用戶的運動軌跡中的當(dāng)前位置之后的下一個位置，并結(jié)合指數(shù)分布，訓(xùn)練獲取軌跡合成模型中的用戶的運動軌跡中的當(dāng)前位置之后的下一個位置的停留時間信息。

38、可選地，所述方法，還包括：

39、基于用戶的運動軌跡中的當(dāng)前位置以及當(dāng)前位置之后的下一個位置，訓(xùn)練獲取軌跡合成模型中的從用戶的運動軌跡中的當(dāng)前位置到下一個位置的時間間隔。

40、可選地，所述基于用戶的運動軌跡中的當(dāng)前位置以及當(dāng)前位置之后的下一個位置，訓(xùn)練獲取軌跡合成模型中的從用戶的運動軌跡中的當(dāng)前位置到下一個位置的時間間隔，包括：

41、分別對用戶的運動軌跡中的當(dāng)前位置以及當(dāng)前位置之后的下一個位置進(jìn)行位置編碼，獲取第三位置向量和第四位置向量；

42、根據(jù)所述第三位置向量和第四位置向量，確定用戶的移動模式參量；

43、基于所述移動模式參量、用戶的運動軌跡中的當(dāng)前位置以及當(dāng)前位置之后的下一個位置，獲取第四參數(shù)；

44、從服從所述第四參數(shù)的高斯分布中進(jìn)行采樣，獲取軌跡合成模型中的從當(dāng)前位置到下一個位置的時間間隔信息。

45、可選地，所述根據(jù)所述第三位置向量和第四位置向量，確定用戶的移動模式參量，包括：

46、將所述第三位置向量和第四位置向量進(jìn)行拼接，得到第三拼接向量；

47、將第三拼接向量輸入mlp層，獲取移動模式參量。

48、本技術(shù)實施例還提供一種軌跡合成模型訓(xùn)練裝置，包括：

49、第一獲取模塊，用于基于用戶的歷史軌跡信息以及由所述歷史軌跡信息獲取的參考信息，獲取編碼器解碼器結(jié)構(gòu)的模型，所述參考信息包括：出發(fā)地信息和目的地信息，所述歷史軌跡信息包括：至少一個位置信息以及每個位置信息對應(yīng)的時間信息；

50、第二獲取模塊，用于基于所述編碼器解碼器結(jié)構(gòu)的模型，獲取用戶先驗信息；

51、第三獲取模塊，用于基于所述用戶先驗信息、歷史軌跡信息進(jìn)行模型訓(xùn)練，獲取軌跡合成模型。

52、本技術(shù)實施例還提供一種軌跡合成模型訓(xùn)練裝置，包括收發(fā)機和處理器；

53、所述處理器，用于：基于用戶的歷史軌跡信息以及由所述歷史軌跡信息獲取的參考信息，獲取編碼器解碼器結(jié)構(gòu)的模型，所述參考信息包括：出發(fā)地信息和目的地信息，所述歷史軌跡信息包括：至少一個位置信息以及每個位置信息對應(yīng)的時間信息；

54、基于所述編碼器解碼器結(jié)構(gòu)的模型，獲取用戶先驗信息；

55、基于所述用戶先驗信息、歷史軌跡信息進(jìn)行模型訓(xùn)練，獲取軌跡合成模型。

56、本技術(shù)實施例還提供一種軌跡合成模型訓(xùn)練裝置，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的軌跡合成模型訓(xùn)練方法的步驟。

57、本技術(shù)實施例還提供一種可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)上述的方法中的步驟。

58、本技術(shù)的有益效果是：

59、上述方案，通過基于用戶的歷史軌跡信息以及由所述歷史軌跡信息獲取的參考信息，獲取編碼器解碼器結(jié)構(gòu)的模型，所述參考信息包括：出發(fā)地信息和目的地信息，所述歷史軌跡信息包括：至少一個位置信息以及每個位置信息對應(yīng)的時間信息；基于所述編碼器解碼器結(jié)構(gòu)的模型，獲取用戶先驗信息；基于所述用戶先驗信息、所述歷史軌跡信息進(jìn)行模型訓(xùn)練，獲取軌跡合成模型；以此能夠提升軌跡合成模型的準(zhǔn)確性。