申请/专利权人：华南理工大学

申请日：2022-03-10

公开（公告）日：2024-06-04

公开（公告）号：CN114595427B

主分类号：G06F17/18

分类号：G06F17/18;G06F17/16;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2022.06.24#实质审查的生效;2022.06.07#公开

摘要：本发明公开了一种基于非自回归模型的含缺失值车辆轨迹序列填补修复方法，包括以下步骤：获取车辆轨迹序列数据集，对数据集进行归一化处理并将归一化后的数据集划分为训练集与测试集；构建深度神经网络，包括缺失信息衰减模块和非自回归填补网络，并使用训练集对构建好的深度神经网络进行训练以确定深度网络的各项参数；将测试集输入到深度网络中，得到填补后的测试集数据，即含缺失值车辆轨迹数据的填补结果。本发明可为车辆轨迹数据提供一种非自回归的填补框架，解决了传统的基于自回归模型的方法中存在的误差累积问题，同时也能有效地建模车辆轨迹序列的时序信息。

主权项：1.一种基于非自回归模型的含缺失值车辆轨迹序列填补修复方法，其特征在于，所述填补修复方法包括以下步骤：S1、获取车辆轨迹序列数据集，所述车辆轨迹序列数据集为一个数据矩阵X，数据矩阵X由N个行向量组成，N表示数据矩阵X中记录的车辆轨迹个数，每一个行向量Xi对应车辆的轨迹序列，Xi表示数据矩阵X中的第i个行向量，即第i条车辆轨迹序列样本，i＝1，2，…，N，每一个行向量Xi的长度为T；S2、构建基于非自回归模型的含缺失值车辆轨迹序列填补修复的深度神经网络模型，所述深度神经网络模型包括顺序连接的缺失信息衰减模块和非自回归填补网络，其中，缺失信息衰减模块接收车辆轨迹序列数据集样本作为输入，并输出车辆轨迹序列数据集样本的隐层表示；非自回归填补网络包括层叠的自注意力模块和线性解码模块；其中，层叠的自注意力模块接收所述缺失信息衰减模块输出的隐层表示作为输入，并输出隐层表示的深层编码；线性解码模块接收层叠的自注意力模块输出的深层编码作为输入，并输出车辆轨迹序列数据集样本的填补结果；通过车辆轨迹序列数据集中样本对所述深度神经网络模型进行训练，并确定所述深度神经网络模型的可学习参数；所述可学习参数包括：w,Wsq,Wsk和Wsv；S3、将所述车辆轨迹序列数据集中真实样本输入到经过训练的深度神经网络模型中，获得所述车辆轨迹序列数据集中真实样本的填补结果；其中，所述步骤S1中获取车辆轨迹序列数据集样本之后，还包括：获取车辆轨迹序列数据集X对应的缺失位置指示数据集M，缺失位置指示数据集M为一个与车辆轨迹序列数据集X同维度的数据矩阵，即M为一个N行T列的数据矩阵；令mi,j表示数据矩阵M的第i行第j列的元素，xi,j表示数据矩阵X的第i行第j列的元素，i＝1,2,…,N,j＝1,2,…,T，mi,j∈{0,1}且表示实数集；当xi，j缺失时，mi，j对应设置为0；则当xi，j未缺失时，mi，j对应设置为1；所述缺失信息衰减模块的数据处理过程由下述公式表达：Ri＝g*Xi， g表示门控权值，e为自然指数，Mi为缺失位置指示数据集M的第i个行向量，p表示车辆轨迹序列数据集中样本Xi的缺失率，Relu表示Relu激活函数，w是一个可学习的线性映射网络层且[,]表示数据拼接操作，⊙表示矩阵按位乘法操作，Ri表示车辆轨迹序列数据集中样本Xi对应的隐层表示并且所述层叠的自注意力模块由个自注意力编码单元顺序连接组成，表示层叠的自注意力编码单元的个数；对于第s个自注意力编码单元，第s个自注意力编码单元由下述公式表达： Q＝W s q *E s-1 , K＝W s k *E s-1 , C＝W s v *E s-1 , E s ＝softmaxQK T *V T , 其中，Q,K,V分别表示三个中间变量并且Wsq,Wsk,Wsv分别表示第s个自注意力编码单元中的Q,K,V对应的可学习参数并且Es-1和Es分别表示第s-1和第s个自注意力编码单元的输出并且softmax表示softmax函数，KT和VT分别为K和V的转置矩阵；以上公式表示每一个自注意力编码单元接收上一个自注意力编码单元的输出作为输入，经过编码后得到本自注意力编码单元的输出，并作为下一个自注意力编码单元的输入进行进一步编码；其中，第1个自注意力编码单元的输入为Ri，即所述缺失信息衰减模块输出的隐层表示；最后1个自注意力编码单元的输出作为层叠的自注意力模块的最终输出Yi，Yi表示隐层表示Ri对应的深层编码并且

全文数据：

权利要求：

百度查询： 华南理工大学 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD