基于路网-网格交叉注意力融合的轨迹表示学习方法

本发明属于轨迹表示学习，具体涉及一种基于深度学习融合的轨迹表示学习方法，尤其涉及道路网络拓扑信息、空间网格区域信息、区域语义信息以及道路-网格软标签自监督约束的联合建模方法。可应用于车辆gps轨迹、出租车轨迹、网约车轨迹等移动对象轨迹数据的表示学习，并可用于轨迹相似度查询、轨迹分类、旅行时间估计等下游轨迹分析任务。

背景技术：

1、随着gps设备、车载终端、网约车平台和城市交通管理系统的广泛应用，大规模轨迹数据被持续采集。轨迹数据记录了移动对象在时间和空间上的连续变化，能够反映车辆出行路径、城市道路使用规律和区域交通模式。为了使轨迹数据能够被深度学习模型有效处理，通常需要将变长、稀疏且带有噪声的轨迹序列编码为低维稠密向量表示。

2、现有轨迹表示学习方法大体可以分为基于道路网络的方法和基于自由空间的方法。基于道路网络的方法通常先对gps轨迹进行地图匹配，将轨迹转换为道路路段序列，再结合道路拓扑关系或路段属性进行建模。这类方法能够较好地表达道路连接关系和细粒度路段信息，但容易忽略轨迹经过区域的空间语义信息。基于自由空间的方法通常将城市区域划分为空间网格，将gps点或道路片段映射为网格序列，再通过神经网络学习轨迹表示。这类方法能够表达轨迹的空间区域分布，但缺少道路拓扑约束，难以准确反映道路路段之间的真实连通关系。

3、此外，现有方法在融合道路视角和网格视角时，常采用简单相加、拼接或固定权重融合的方式。这种方式没有显式建模道路路段与空间网格之间的对应关系，容易导致道路拓扑语义和区域空间语义之间的融合不充分。

4、另一方面，在轨迹预训练阶段，常见对比学习方法通常将同一轨迹或增强轨迹作为正样本，将批次内其他轨迹全部作为负样本。然而在真实交通场景中，不同轨迹之间可能共享部分道路路段或空间网格，这些轨迹并不应完全视为负样本。若简单采用硬标签对比学习，可能会削弱模型对局部空间相关轨迹的表达能力。

5、因此，需要一种新的轨迹表示学习方法，能够同时利用道路网络拓扑、空间网格区域和区域语义信息，并通过道路-网格交叉注意力机制实现跨视角融合；同时，通过道路路段重叠和空间网格重叠构造软标签自监督约束，使模型能够学习道路视角与网格视角之间更合理的对齐关系。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于路网-网格交叉注意力融合的轨迹表示学习方法，旨在解决现有轨迹表示方法中道路拓扑信息与空间区域语义融合不足、不同轨迹之间弱相关关系刻画不充分的问题，从而提高轨迹表示的质量和鲁棒性。。

2、为了实现上述目的，本发明采用的技术方案为：

3、基于路网-网格交叉注意力融合的轨迹表示学习方法，包括如下步骤：

4、s1、获取待处理移动对象的gps轨迹数据，并进行轨迹预处理，得到与每条轨迹对应且位置对齐的道路路段标识序列、空间网格标识序列、区域语义序列和多粒度时间特征序列；

5、s2、基于所述道路路段标识序列、空间网格标识序列及其对应的道路网络信息和空间区域信息，分别构建道路视角表示和网格视角表示；

6、s3、对所述道路视角表示和网格视角表示进行路网-网格交互融合，得到轨迹的空间融合表示；

7、s4、基于所述道路路段标识序列和空间网格标识序列之间的重叠关系，构造道路-网格软标签矩阵，并形成道路-网格软标签自监督约束；

8、s5、利用所述道路视角表示、网格视角表示、空间融合表示以及道路-网格软标签自监督约束，并结合轨迹预训练任务训练轨迹表示模型，得到用于下游轨迹分析任务的轨迹向量表示。

9、步骤s1中对gps轨迹数据的预处理方法包括：

10、s11、将每条gps轨迹按照时间顺序表示为轨迹点序列 ，其中， 包括经度、纬度和时间戳；

11、s12、基于所述轨迹点序列，分别得到道路路段标识序列、空间网格标识序列、区域语义序列和多粒度时间特征序列；其中，所述道路路段标识序列由地图匹配得到，所述空间网格标识序列由空间网格映射得到，所述区域语义序列由区域语义关联得到，所述多粒度时间特征序列由时间戳提取得到；

12、s13、将所述道路路段标识序列、空间网格标识序列、区域语义序列和多粒度时间特征序列按照轨迹位置进行对齐。

13、所述步骤s2中的道路视角和网格视角构造方法分别包括：

14、道路视角表示由道路拓扑图和道路路段标识序列构造得到；其中，所述道路拓扑图根据道路路段及其连接关系构建，所述道路拓扑图从图神经网络或图注意力网络编码得出道路节点嵌入，所述道路节点嵌入根据道路路段标识序列进行索引并结合轨迹位置表示，得到道路视角表示；

15、所述网格视角表示由空间网格标识序列和区域语义序列构造得到；其中，根据空间网格标识序列查询网格嵌入表得到网格嵌入序列，根据区域语义序列查询区域语义嵌入表得到区域语义嵌入序列，并将所述网格嵌入序列和区域语义嵌入序列进行融合，得到网格视角表示。

16、步骤s3中路网-网格交互融合方法包括：

17、s31、接收道路视角表示 和网格视角表示 ，其中，所述道路视角表示用于表达轨迹对应的道路拓扑和路段语义，所述网格视角表示用于表达轨迹对应的空间区域和区域语义；

18、s32、根据道路路段与空间网格在轨迹位置上的对应关系，对所述道路视角表示和网格视角表示进行跨视角交互建模；

19、s33、通过交叉注意力融合方式，以道路视角表示作为查询输入，从网格视角表示中提取与道路路段相关的区域上下文信息，得到跨视角上下文表示；

20、s34、将所述跨视角上下文表示与道路视角表示、网格视角表示进行融合，得到轨迹的空间融合表示 。

21、步骤s34中空间融合表示 为：

22、

23、其中， 表示轨迹的空间融合表示， 表示道路视角表示， 表示网格视角表示， 表示跨视角上下文表示， 表示可学习融合系数， 表示随机失活操作， 表示层归一化操作。

24、步骤s33中，跨视角上下文表示的表达方法为：

25、；

26、式中， 表示交叉注意力计算， 作为查询输入， 作为键输入和值输入。

27、步骤s4中道路-网格软标签自监督约束构造方法包括：

28、s41、提取有效道路路段集合和和有效空间网格集合；

29、s42、根据道路集合重叠关系和网格集合重叠关系计算轨迹之间的软相似度；

30、s43、根据所述软相似度构造道路-网格软标签矩阵y；

31、s44、利用所述道路-网格软标签矩阵y约束道路视角表示和网格视角表示之间的自监督对齐训练。

32、步骤s43中的道路-网格软标签矩阵构造方法包括：

33、根据训练批次内任意两条轨迹之间的软相似度 ，构造道路-网格软标签矩阵，其中， 表示第  条轨迹的道路视角表示与第 条轨迹的网格视角表示之间的软标签权重；

34、设训练批次中包含 条轨迹，则所述道路-网格软标签矩阵 可表示为：

35、

36、式中， 表示道路-网格软标签矩阵， 表示训练批次中的轨迹数量；矩阵 的第行对应第 条轨迹的道路视角表示，矩阵 的第 列对应第 条轨迹的网格视角表示，元素 表示第  条轨迹的道路视角表示与第 条轨迹的网格视角表示之间的软标签权重；

37、归一化前，当 时， 设置为强正样本权重，用于表示同一轨迹的道路视角表示与网格视角表示之间的对应关系；当 时， 根据软相似度 确定，用于表示不同轨迹之间基于道路路段重叠和空间网格重叠形成的弱相关关系；

38、设归一化前的道路-网格软标签矩阵为 ，其中， 表示归一化前第  条轨迹的道路视角表示与第  条轨迹的网格视角表示之间的软标签权重，则  的表达式为：

39、

40、式中， 表示归一化前第  条轨迹的道路视角表示与第条轨迹的网格视角表示之间的软标签权重； 表示第条轨迹与第  条轨迹之间的软相似度； 表示第条轨迹与第条轨迹之间的空间网格集合重叠度； 表示非对角软标签权重的缩放系数； 表示非对角软标签权重的最大限制值； 表示预设相似度阈值；

41、其中，当时， 被设置为强正样本权重，用于表示同一条轨迹的道路视角表示与网格视角表示之间的对应关系；当时，若两条轨迹存在空间网格重叠关系且软相似度 不低于预设相似度阈值 ，则根据 确定非对角软标签权重，并通过 限制其最大值；若两条轨迹不存在空间网格重叠关系，或者软相似度 低于预设相似度阈值，则将对应的非对角软标签权重置为零。

42、用于确定非对角软标签权重的软相似度sij的计算方法包括：

43、s61、对训练批次内每条轨迹对应的道路路段标识序列进行有效标识筛选，去除填充标识、起始标识、结束标识和掩码标识，仅保留真实道路路段标识，得到第条轨迹对应的有效道路路段集合 ；

44、s62、对训练批次内每条轨迹对应的空间网格标识序列进行有效标识筛选，去除填充标识和无效网格标识，仅保留有效空间网格标识，得到第 条轨迹对应的有效空间网格集合 ；

45、s63、对于训练批次内任意两条轨迹和，根据第条轨迹的有效道路路段集合和第条轨迹的有效道路路段集合 ，计算两条轨迹在道路路段层面的集合重叠度，其表达式为：

46、

47、式中， 表示第 条轨迹与第 条轨迹在道路路段层面的集合重叠度， 表示第 条轨迹的有效道路路段集合， 表示第条轨迹的有效道路路段集合， 表示两条轨迹共有的道路路段数量， 表示两条轨迹包含的不同道路路段总数量；

48、s64、对于训练批次内任意两条轨迹和，根据第 条轨迹的有效空间网格集合和第 条轨迹的有效空间网格集合 ，计算两条轨迹在空间网格层面的集合重叠度，其表达式为：

49、

50、式中， 表示第 条轨迹与第 条轨迹在空间网格层面的集合重叠度， 表示第  条轨迹的有效空间网格集合， 表示第 条轨迹的有效空间网格集合， 表示两条轨迹共有的空间网格数量， 表示两条轨迹包含的不同空间网格总数量；

51、s65、将所述道路路段层面的集合重叠度 与空间网格层面的集合重叠度 按照预设权重进行加权融合，得到第 条轨迹与第  条轨迹之间的软相似度 ，其表达式为：

52、

53、式中， 表示第 条轨迹与第 条轨迹之间的软相似度， 表示道路路段集合重叠度对应的预设权重， 表示空间网格集合重叠度对应的预设权重， 表示两条轨迹在道路路段层面的集合重叠度， 表示两条轨迹在空间网格层面的集合重叠度；

54、其中，所述软相似度 用于表征训练批次内两条轨迹在道路路段层面和空间网格层面的综合空间相关程度，所述软相似度为连续相似度值，用于刻画不同轨迹之间的部分空间相关关系；与仅将同一轨迹作为正样本、将其他轨迹全部作为负样本的硬标签方式相比，所述软相似度计算方式能够根据道路路段重叠关系和空间网格重叠关系，将训练批次内具有部分空间相关性的不同轨迹刻画为弱相关样本。

55、本发明的优点在于：1、本发明通过将道路网络拓扑信息、空间网格区域信息和区域语义信息共同引入轨迹表示学习过程，使轨迹表示不仅能够表达道路路段之间的连接关系和通行语义，还能够表达轨迹经过区域的空间位置和区域功能，从而提高轨迹表示的信息完整性。

56、2、本发明采用路网-网格交叉注意力融合方式，以道路视角表示作为查询输入，以网格视角表示作为键输入和值输入，使道路视角能够从网格视角中提取与当前道路路段相关的区域上下文信息。相比简单相加、拼接或固定权重融合方式，该方式能够更细粒度地建模道路路段与空间网格之间的对应关系，提高跨视角信息融合效果。

57、3、本发明基于道路路段集合重叠度和空间网格集合重叠度构造轨迹之间的软相似度，并进一步构造道路-网格软标签矩阵，使训练过程能够刻画同一训练批次内不同轨迹之间的弱相关关系。相比仅将同一轨迹作为正样本、将其他轨迹全部作为负样本的硬标签方式，该方法能够减少对部分空间相关轨迹的误判。

58、4、本发明利用道路-网格软标签矩阵进行双向自监督对齐训练，使同一轨迹的道路视角表示和网格视角表示在表示空间中保持一致，同时保留具有道路路段重叠或空间网格重叠的不同轨迹之间的弱相关信息，从而提升轨迹表示的鲁棒性和空间一致性。

59、5、本发明将掩码路段预测、轨迹三元组学习和道路-网格软标签自监督学习进行联合预训练，使模型能够同时学习局部道路上下文信息、轨迹级相似关系以及道路视角与网格视角之间的跨视角一致性，从而增强轨迹向量表示的通用性。

60、6、本发明得到的轨迹向量表示可用于轨迹相似度查询、轨迹分类、旅行时间估计等下游轨迹分析任务，能够在智能交通、车辆轨迹分析、出行模式识别等场景中提供有效的轨迹表示支持。