一种轨迹预测方法、装置、电子设备及存储介质与流程

1.本技术涉及健康养老技术领域，尤其涉及一种轨迹预测方法、装置、电子设备及存储介质。


背景技术：

2.在养老领域中，社区养老由于可让老人在熟悉的社区环境中生活、让老人更有归属感而成为一种趋势。然而，社区养老中老人的活动区域相对比较多、活动地点比较分散，给养老管理带来了很大难度。
3.因此，如何预测老人的活动轨迹，以方便养老管理者更好地进行养老管理成为急需解决的问题。


技术实现要素：

4.本技术实施例提供一种轨迹预测方法、装置、电子设备及存储介质，用以提供一种预测活动轨迹的方案。
5.第一方面，本技术实施例提供一种轨迹预测方法，包括：
6.获取目标对象在当前周期内的轨迹数据，所述轨迹数据包括所述目标对象达到的地点和所述地点的到达次序；
7.对所述轨迹数据进行特征分析，得到轨迹特征；
8.基于权重参数对所述轨迹特征进行转换处理，得到转换特征，所述权重参数是对所述目标对象在历史周期内轨迹数据的轨迹特征与转换特征之间的关系进行学习得到的；
9.基于所述转换特征，对所述目标对象前往各候选地点的兴趣进行分析；
10.基于所述兴趣分析结果，确定所述目标对象将要前往的地点。
11.在一些实施例中，对所述轨迹数据进行特征分析，得到轨迹特征，包括：
12.基于预先确定的地点嵌入参数，生成所述目标对象到达的每个地点的地点嵌入向量；
13.基于预先确定的次序嵌入参数，生成所述地点的次序嵌入向量；
14.对所述地点嵌入向量和所述次序向量进行融合处理，得到所述地点的轨迹向量；
15.按照达到次序对各地点的轨迹向量进行组合，将组合得到的轨迹矩阵作为所述轨迹特征。
16.在一些实施例中，所述权重参数包括第一权重矩阵、第二权重矩阵和第三权重矩阵，基于权重参数对所述轨迹特征进行转换处理，得到转换特征，包括：
17.基于所述第一权重矩阵对所述轨迹矩阵进行转换处理，得到第一转换矩阵；
18.基于所述第二权重矩阵对所述轨迹矩阵进行转换处理，得到第二转换矩阵；
19.基于所述第三权重矩阵对所述轨迹矩阵进行转换处理，得到第三转换矩阵；
20.将所述第一转换矩阵、所述第二转换矩阵和所述第三转换矩阵，作为所述转换特征。
21.在一些实施例中，基于所述转换特征，对所述目标对象前往各候选地点的兴趣进行分析，包括：
22.基于所述第一转换矩阵和所述第二转换矩阵，确定所述目标对象到达的各地点的权重；
23.基于所述目标对象到达的各地点的权重，对所述第三转换矩阵中的列向量进行加权求和，得到兴趣表征向量。
24.在一些实施例中，根据以下公式确定所述目标对象到达的第i个地点的权重wi：
[0025][0026]
其中，qi为所述第一转换矩阵中的第i个列向量，ki为所述第二转换矩阵中的第i个列向量，kj为所述第二转换矩阵中的第j个列向量，d为所述轨迹矩阵的行数，m为所述目标对象到达的地点总数，i和j均为整数。
[0027]
在一些实施例中，基于所述兴趣分析结果，确定所述目标对象将要前往的地点，包括：
[0028]
基于所述兴趣表征向量和各候选地点的嵌入向量，确定所述目标对象前往各候选地点的概率，各候选地点根据所述目标对象在历史周期内到达过的地点确定；
[0029]
将概率最高的候选地点，确定为所述目标对象将要前往的地点。
[0030]
在一些实施例中，根据以下公式确定所述目标对象前往第c个候选地点的概率p(vc)：
[0031][0032]
其中，vc为第c个候选地点，a为所述兴趣表征向量，vec为第c个候选地点的嵌入向量，ves为第s个候选地点的嵌入向量，n为候选地点的总数，c和s均为整数。
[0033]
第二方面，本技术实施例提供一种轨迹预测装置，包括：
[0034]
获取模块，用于获取目标对象在当前周期内的轨迹数据，所述轨迹数据包括所述目标对象达到的地点和所述地点的到达次序；
[0035]
特征分析模块，用于对所述轨迹数据进行特征分析，得到轨迹特征；
[0036]
转换模块，用于基于权重参数对所述轨迹特征进行转换处理，得到转换特征，所述权重参数是对所述目标对象在历史周期内轨迹数据的轨迹特征与转换特征之间的关系进行学习得到的；
[0037]
兴趣分析模块，用于基于所述转换特征，对所述目标对象前往各候选地点的兴趣进行分析；
[0038]
确定模块，用于基于所述兴趣分析结果，确定所述目标对象将要前往的地点。
[0039]
在一些实施例中，所述特征分析模块具体用于：
[0040]
基于预先确定的地点嵌入参数，生成所述目标对象到达的每个地点的地点嵌入向
量；
[0041]
基于预先确定的次序嵌入参数，生成所述地点的次序嵌入向量；
[0042]
对所述地点嵌入向量和所述次序向量进行融合处理，得到所述地点的轨迹向量；
[0043]
按照达到次序对各地点的轨迹向量进行组合，将组合得到的轨迹矩阵作为所述轨迹特征。
[0044]
在一些实施例中，所述权重参数包括第一权重矩阵、第二权重矩阵和第三权重矩阵，所述转换模块具体用于：
[0045]
基于所述第一权重矩阵对所述轨迹矩阵进行转换处理，得到第一转换矩阵；
[0046]
基于所述第二权重矩阵对所述轨迹矩阵进行转换处理，得到第二转换矩阵；
[0047]
基于所述第三权重矩阵对所述轨迹矩阵进行转换处理，得到第三转换矩阵；
[0048]
将所述第一转换矩阵、所述第二转换矩阵和所述第三转换矩阵，作为所述转换特征。
[0049]
在一些实施例中，所述兴趣分析模块具体用于：
[0050]
基于所述第一转换矩阵和所述第二转换矩阵，确定所述目标对象到达的各地点的权重；
[0051]
基于所述目标对象到达的各地点的权重，对所述第三转换矩阵中的列向量进行加权求和，得到兴趣表征向量。
[0052]
在一些实施例中，所述兴趣分析模块具体用于根据以下公式确定所述目标对象到达的第i个地点的权重wi：
[0053][0054]
其中，qi为所述第一转换矩阵中的第i个列向量，ki为所述第二转换矩阵中的第i个列向量，kj为所述第二转换矩阵中的第j个列向量，d为所述轨迹矩阵的行数，m为所述目标对象到达的地点总数，i和j均为整数。
[0055]
在一些实施例中，所述确定模块具体用于：
[0056]
基于所述兴趣表征向量和各候选地点的嵌入向量，确定所述目标对象前往各候选地点的概率，各候选地点根据所述目标对象在历史周期内到达过的地点确定；
[0057]
将概率最高的候选地点，确定为所述目标对象将要前往的地点。
[0058]
在一些实施例中，所述确定模块具体用于根据以下公式确定所述目标对象前往第c个候选地点的概率p(vc)：
[0059][0060]
其中，vc为第c个候选地点，a为所述兴趣表征向量，vec为第c个候选地点的嵌入向量，ve
l
为第l个候选地点的嵌入向量，n为候选地点的总数，c和l均为整数。
[0061]
第三方面，本技术实施例提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
[0062]
存储器存储有可被至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述轨迹预测方法。
[0063]
第四方面，本技术实施例提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行上述轨迹预测方法。
[0064]
本技术实施例中，获取目标对象在当前周期内的轨迹数据，轨迹数据包括目标对象达到的地点和地点的到达次序，对轨迹数据进行特征分析，得到轨迹特征，基于权重参数对轨迹特征进行转换处理，得到转换特征，基于转换特征，对目标对象前往各候选地点的兴趣进行分析，基于兴趣分析结果，确定目标对象将要前往的地点，权重参数是对目标对象在历史周期内轨迹数据的轨迹特征与转换特征之间的关系进行学习得到的。这样，可以提前获知目标对象将要前往的地点，便于管理者掌握目标对象的活动动向，减轻管理难度，并且提升管理效率。
附图说明
[0065]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0066]
图1为本技术实施例提供的一种轨迹预测的应用场景图；
[0067]
图2为本技术实施例提供的一种轨迹预测方法的流程图；
[0068]
图3为本技术实施例提供的一种对轨迹数据进行特征分析的流程图；
[0069]
图4为本技术实施例提供的一种对目标对象前往各候选地点的兴趣进行分析的流程图；
[0070]
图5为本技术实施例提供的一种确定目标对象将要前往的地点的流程图；
[0071]
图6为本技术实施例提供的一种自注意力模型的结构示意图；
[0072]
图7为本技术实施例提供的一种连续词袋模型的结构示意图；
[0073]
图8为本技术实施例提供的一种轨迹预测装置的结构示意图；
[0074]
图9为本技术实施例提供的一种用于实现轨迹预测方法的电子设备的硬件结构示意图。
具体实施方式
[0075]
为了提供一种预测活动轨迹的方案，本技术实施例提供了一种轨迹预测方法、装置、电子设备及存储介质。
[0076]
以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0077]
在社区养老中，老人一般有多个活动地点如宿舍、食堂、广场、公园、图书馆等，为了更好地提供养老服务，可为老人提供定位卡，定位卡在启用状态下可获取老人的活动数据如到过哪些地点、在这些地点待了多久等，基于活动数据即可得知老人的轨迹数据。
[0078]
图1为本技术实施例提供的一种轨迹预测的应用场景图。具体实施时，可预先确定一个允许获取对象的轨迹数据的区域(图1中的椭圆形所示)，在这个区域中可有多个地点，且可有多个对象如有3个对象：对象1、对象2和对象3，其中，对象1一直在这个区域内活动，
对象2是从外面进入到这个区域内，对象3停留在这个区域内。无论哪种情况，当一个对象位于这个区域内时，该对象佩带的定位卡即可将该对象在这个区域中的轨迹数据发送给服务器。之后，服务器基于活动数据可生成该对象在当前周期内的轨迹数据。
[0079]
在介绍了本技术实施例的应用场景后，接下来结合流程图对本技术实施例的轨迹预测方法进行说明。
[0080]
图2为本技术实施例提供的一种轨迹预测方法的流程图，该方法可应用于图1中的服务器中，也可应用于其他服务器中，且该方法包括以下步骤。
[0081]
在步骤s201中，获取目标对象在当前周期内的轨迹数据，轨迹数据包括目标对象达到的地点和地点的到达次序。
[0082]
其中，目标对象可以是任一居民，如居住在养老社区的老人、居住在普通社区的儿童等。当前周期如当前天。
[0083]
在步骤s202中，对轨迹数据进行特征分析，得到轨迹特征。
[0084]
具体实施时，可按照图3所示的流程对轨迹数据进行特征分析，包括以下步骤：
[0085]
在步骤s301a中，基于预先确定的地点嵌入参数，生成目标对象到达的每个地点的地点嵌入向量。
[0086]
一般地，地点嵌入参数可表现为矩阵形式。具体实施时，可采用one-hot编码对目标对象到达的每个地点进行编码，得到该地点的稀疏向量，然后，计算稀疏向量与这个矩阵的点积，从而得到该地点的地点嵌入向量。
[0087]
在步骤s302a中，基于预先确定的次序嵌入参数，生成该地点的次序嵌入向量。
[0088]
一般地，次序嵌入参数可表现为以地点的次序为参数的向量。具体实施时，将目标对象到达的每个地点的到达次序代入这个向量，即可得到该地点的次序嵌入向量。
[0089]
在步骤s303a中，对地点嵌入向量和次序向量进行融合处理，得到该地点的轨迹向量。
[0090]
比如，将地点嵌入向量和次序嵌入向量中对应相同位置上的元素进行相加，从而得到该地点的轨迹向量。
[0091]
在步骤s304a中，按照达到次序对各地点的轨迹向量进行组合，将组合得到的轨迹矩阵作为轨迹特征。
[0092]
比如，按照到达次序从早到晚的顺序，将各地点的轨迹向量按列进行组合，将组合得到的轨迹矩阵作为轨迹数据的轨迹特征。
[0093]
在步骤s203中，基于权重参数对轨迹特征进行转换处理，得到转换特征，权重参数是对目标对象在历史周期内轨迹数据的轨迹特征与转换特征之间的关系进行学习得到的。
[0094]
具体实施时，权重参数可包括第一权重矩阵、第二权重矩阵和第三权重矩阵，因此，可基于第一权重矩阵对轨迹矩阵进行转换处理，得到第一转换矩阵，基于第二权重矩阵对轨迹矩阵进行转换处理，得到第二转换矩阵，基于第三权重矩阵对轨迹矩阵进行转换处理，得到第三转换矩阵，将第一转换矩阵、第二转换矩阵和第三转换矩阵，作为转换特征。
[0095]
其中，第一转换矩阵主要关注轨迹数据中的当前地点，可用于表征当前地点的轨迹特征；第二转换矩阵主要关注其他地点(即除当前地点外的地点)，可用于表征其他地点的轨迹特征；第三转换矩阵用于表征当前地点与其他地点之间的关联关系。
[0096]
在步骤s204中，基于转换特征，对目标对象前往各候选地点的兴趣进行分析。
[0097]
具体实施时，可按照图4所示的流程对目标对象前往各候选地点的兴趣进行分析，包括以下步骤：
[0098]
在步骤s401a中，基于第一转换矩阵和第二转换矩阵，确定目标对象到达的各地点的权重。
[0099]
比如，可根据以下公式确定目标对象到达的第i个地点的权重wi：
[0100][0101]
其中，qi为第一转换矩阵中的第i个列向量，ki为第二转换矩阵中的第i个列向量，kj为第二转换矩阵中的第j个列向量，d为轨迹矩阵的行数，m为目标对象到达的地点总数，i和j均为整数。
[0102]
在步骤s402a中，基于目标对象到达的各地点的权重，对第三转换矩阵中的列向量进行加权求和，得到兴趣表征向量。
[0103]
其中，兴趣表征向量用于表征目标对象对各候选地点的感兴趣程度。兴趣向量中的每个元素对应一个候选地点，该元素的取值越大表示目标对象对该候选地点的感兴趣程度越高，该元素的取值越小表示目标对象对该候选地点的感兴趣程度越低。
[0104]
比如，根据以下公式确定兴趣表征向量a：
[0105][0106]
其中，ui为第三转换矩阵中的第i个列向量。
[0107]
在步骤s205中，基于兴趣分析结果，确定目标对象将要前往的地点。
[0108]
具体实施时，可按照图5所示的流程确定目标对象将要前往的地点，包括以下步骤：
[0109]
在步骤s501a中，基于兴趣表征向量和各候选地点的嵌入向量，确定目标对象前往各候选地点的概率，各候选地点根据目标对象在历史周期内到达过的地点确定。
[0110]
具体实施时，可将目标对象在历史周期内到达过的全部地点均确定为候选地点，也可将目标对象在历史周期内到达过的部分地点确定为候选地点。
[0111]
然后，根据以下公式确定目标对象前往第c个候选地点的概率p(vc)：
[0112][0113]
其中，
vc
为第c个候选地点，a为兴趣表征向量，vec为第c个候选地点的嵌入向量，ve
l
为第l个候选地点的嵌入向量，n为候选地点的总数，c和l均为整数。
[0114]
在步骤s502a中，将概率最高的候选地点，确定为目标对象将要前往的地点。
[0115]
下面结合具体实施例对上述过程进行说明。
[0116]
具体实施时，可采用一个自注意力模型来基于目标对象在当前周期内的轨迹数据预测目标对象将要前往的地点，轨迹数据包括目标对象到达的地点和地点的到达次序。
[0117]
参见图6，自注意力模型包括输入层、嵌入表示层、特征转换层、注意力层和输出层。输入层，用于对目标对象在当前周期内到达的各地点进行编码，得到各地点的稀疏向量；嵌入表示层，用于将各地点的稀疏向量表示为地点嵌入向量，将各地点的到达次序转换为次序嵌入向量，对相同地点的地点嵌入向量和次序嵌入向量进行融合处理，得到该地点的轨迹向量，基于各地点的轨迹向量生成轨迹矩阵；特征转换层，用于对轨迹矩阵进行转换处理，得到转换矩阵；注意力层，用于基于转换矩阵计算目标对象前往各候选地点的概率；输出层，用于输出概率最大的地点作为目标对象将要前往的地点。
[0118]
具体实施时，上述过程可按照以下步骤进行：
[0119]
第一步、将轨迹数据中的地点进行嵌入表示。
[0120]
地点的嵌入表示包括地点嵌入表示和次序嵌入表示，下面分别对这两种嵌入表示进行介绍。
[0121]
1、地点嵌入表示。
[0122]
以天为周期为例，假设目标对象在最近三天的轨迹数据为：
[0123]
轨迹数据1：a地——》b地——》d地——》e地——》a地；
[0124]
轨迹数据2：a地——》b地——》c地——》d地——》e地——》a地；
[0125]
轨迹数据3：a地——》c地——》d地——》e地——》a地。
[0126]
这三天轨迹数据的所有地点集合为：{a地，b地，c地，d地，e地}，集合的大小记为n＝5，记v1表示a地，v2表示b地，v3表示c地，v4表示d地，v5表示e地。
[0127]
具体实施时，可利用one-hot编码对这五个地点进行编码，则a地的稀疏向量为：(1，0，0，0，0)；b地的稀疏向量为：(0，1，0，0，0)；c地的稀疏向量为：(0，0，1，0，0)；d地的稀疏向量为：(0，0，0，1，0)；e地的稀疏向量为：(0，0，0，0，1)。然后，再利用词到向量(word2vec)技术将每个地点n维的稀疏向量表示为d维稠密向量(即地点嵌入向量)，d＜n。
[0128]
下面以连续词袋模型(continuous bag-of-words model，cbow)为例说明将地点的稀疏向量转换为稠密向量的地点嵌入参数的生成过程。
[0129]
假设d＝2，图7为本技术实例提供的一种连续词袋模型的结构示意图，其中，w1,b1,w2,b2为待学习的连续词袋模型参数，relu(x)＝max(0,x)，m为轨迹数据中包含的地点数量。
[0130]
当开始训练时，可将权重矩阵w1和w2初始化为随机值，比如：
[0131]
以a地——》b地为例，则按照图7中的公式进行运算可得：其中，
[0132]
基于初始化的权重矩阵，连续词袋模型的输出结果与实际结果y(b地)的误差可以表示为交叉熵：连续词袋模型的训练过程就是通过调整权重矩阵等模型参数，使得所有训练样本的交叉熵之和小于预设阈值。
[0133]
以轨迹数据1：a地——》b地——》d地——》e地——》a地为例，基于轨迹数据1可以构建出如下的训练样本：
[0134]
a地，下一个地点：b地；
[0135]
b地，下一个地点：d地；
[0136]
d地，下一个地点：e地；
[0137]
e地，下一个地点：a地；
[0138]
a地——》b地，下一个地点：d地；
[0139]
b地——》d地，下一个地点：e地；
[0140]
d地——》e地，下一个地点：a地；
[0141]
a地——》b地——》d地，下一个地点：e地；
[0142]
b地——》d地——》e地，下一个地点：a地；
[0143]
a地——》b地——》d地——》e地，下一个地点：a地；
[0144]
基于目标对象在各历史周期内的轨迹数据构建的所有训练样本的交叉熵损失函数表示为：
[0145][0146]
其中，s为所有训练样本中的样本总数。
[0147]
目标函数的目的就是最小化所有训练样本的交叉熵损失函数。通过使用随机梯度下降法或者adam等优化器来优化目标函数，可生成最优的权重等参数，比如，
[0148]
一旦优化好目标函数，就可以使用权重矩阵w
1*
或者转置权重矩阵作为地点嵌入参数。
[0149]
后续，借助于地点嵌入参数，任一轨迹数据v1→
v2→
...
→
vm可以转化为d
×
m的嵌入矩阵(ve1...vek...vem)，其中，vek为轨迹数据中第k个地点vk的d维地点嵌入向量，且vek为w
1*
与地点vk的稀疏向量的点积，k∈[1,m]。
[0150]
2、次序嵌入表示。
[0151]
以轨迹数据v1→
v2→
v4→
v5→
v1为例，轨迹数据中各地点的到达次序依次为1，2，3，4，5。那么，轨迹数据中第pos个地点(即到达次序为pos)的d维次序嵌入向量可表示为：
[0152][0153]
假设d＝2，则轨迹数据中第一个地点的次序嵌入向量为第二个地点的次序嵌入向量为
[0154]
假设d＝4，则轨迹数据中第一个地点的次序嵌入向量为第二个地点的次序嵌入向量为
[0155]
具体实施时，针对轨迹数据中第pos个到达的地点vk，地点vk的d维轨迹向量vp
pos
可以表示为：vp
pos
＝vek pe
pos
，其中，vek为地点vk的d维地点嵌入向量，pe
pos
为地点vk对应的到达次序pos的d维次序嵌入向量。然后，按照达到次序从早到晚的顺序，将轨迹数据中各地点的轨迹向量按列进行组合，得到的轨迹矩阵v＝(vp1,vp2,...,vpm)即是轨迹数据的轨迹特征，m为轨迹数据包含的地点总数。
[0156]
第二步、分析轨迹数据中地点之间的上下文关系。
[0157]
具体实施时，将轨迹矩阵v＝(vp1,vp2,...,vpm)与三个权重矩阵wq、wk、wu(这三个权重矩阵即转换参数)分别相乘，可得到三个d
×
m维的转换矩阵q＝(q1,q2,...,qm)、k＝(k1,k2,...,km)、u＝(u1,u2,...,um)，如下面的公式所示。
[0158]
[0159]
其中，wq、wk、wu为待学习的d
×
d维权重参数。q即上述第一转换矩阵又可称为查询矩阵，k即上述第二转换矩阵又可称为键矩阵，u即上述第三转换矩阵又可称为值矩阵。
[0160]
这里，q关注轨迹数据中的当前地点，当前地点在q中对应的查询向量与其它地点在k中对应的键向量相乘，可得到其它地点相对于当前地点的注意力得分。k关注其它地点，键向量相当于轨迹数据中每个地点的索引。u关注当前地点与其它地点之间的到达顺序关系，值向量是地点的真正表征。当计算出注意力得分之后，使用值向量进行加权求和可得到代表当前地点上下文信息的向量。
[0161]
为了学习wq、wk和wu，基于查询、键和值之间的交互来对轨迹数据的上下文信息进行建模，轨迹数据中某地点与其它地点之间的交互可用兴趣表征向量a来描述，a的计算公式为：
[0162][0163][0164]
其中，wi为值向量ui的权重，qi(ki)
t
为地点vi的查询向量qi与键向量ki的转置的点积，ui为u中的第i列向量，qi为q中的第i列向量，ki为k中的第i列向量，kj为k中的第j个列向量，i,j∈[1,m]。
[0165]
第三步、预测目标对象将要前往的下一个地点。
[0166]
具体实施时，可根据以下公式计算目标对象前往各候选地点的概率分布：
[0167][0168]
其中，p(vi)为目标对象前往第i个候选地点的概率，a为兴趣表征向量，vei是第i个候选地点的嵌入向量，n为所有候选地点的总数，一般地，候选地地点可以是目标对象在选定的历史周期内达到过的所有地点。
[0169]
然后，将概率最大的候选地点确定为目标对象将要前往的下一个地点。
[0170]
下面介绍学习wq、wk和wu的过程。
[0171]
具体实施时，可将轨迹数据中当前地点前面的所有地点作为输入，把当前地点的后一个地点作为标记值，把利用上述公式得到的概率值最大的地点作为预测值。当开始训练自注意力模型的权重矩阵wq、wk和wu时，可先将权重矩阵wq、wk和wu初始化为随机值。
[0172]
以目标对象某一天的轨迹数据v1→
v2→
v4→
v5→
v1为例，前面4个地点序列作为输入，第5个地点作为标记，那么，轨迹矩阵为v＝(ve1 pe1,ve2 pe2,ve4 pe3,ve5 pe4)，查询矩阵q＝wqv，键权重k＝wkv，值矩阵u＝wuv，兴趣表征向量轨
迹序列的下一个地点实际为v1，表示为y＝(1,0,0,0,0)。
[0173]
基于上述公式计算出的轨迹序列的下一个地点为vi的概率为p(vi),i∈[1,5]，记基于初始化的权重矩阵wq、wk和wu，这个自注意力模型输出的结果与实际的结果y的误差可以表示为交叉熵：
[0174]
之后，可使用交叉熵损失函数作为模型训练的目标函数，目标函数如下公式所示：
[0175][0176]
其中，s为训练样本集的样本总数，s为第s条轨迹(训练样本)，n为地点总数。优化的目标是最小化该交叉熵损失函数。
[0177]
然后，可使用adam等优化器来优化目标函数，由此生成最优的权重矩阵
[0178]
另外，基于多个目标对象在不同周期内的轨迹数据，还可发现目标对象之间的社交关系，便于管理者基于目标对象之间的社交关系，更好地为目标对象提供养老服务。基于同一目标对象在不同周期内的轨迹数据，还可识别目标对象的身份，这样，基于不敏感数据识别目标对象的身份，利用保护目标对象的隐私数据。基于同一目标对象在不同周期内的轨迹数据，还可发现目标对象的异常轨迹，这样，可提前获知目标对象的异常行径，预防目标对象(如失能、失智人员)丢失。
[0179]
基于相同的技术构思，本技术实施例还提供一种轨迹预测装置，轨迹预测装置解决问题的原理与上述轨迹预测方法相似，因此轨迹预测装置的实施可参见轨迹预测方法的实施，重复之处不再赘述。图8为本技术实施例提供的一种轨迹预测装置的结构示意图，包括获取模块801、特征分析模块802、转换模块803、兴趣分析模块804、确定模块805。
[0180]
获取模块801，用于获取目标对象在当前周期内的轨迹数据，所述轨迹数据包括所述目标对象达到的地点和所述地点的到达次序；
[0181]
特征分析模块802，用于对所述轨迹数据进行特征分析，得到轨迹特征；
[0182]
转换模块803，用于基于权重参数对所述轨迹特征进行转换处理，得到转换特征，所述权重参数是对所述目标对象在历史周期内轨迹数据的轨迹特征与转换特征之间的关系进行学习得到的；
[0183]
兴趣分析模块804，用于基于所述转换特征，对所述目标对象前往各候选地点的兴趣进行分析；
[0184]
确定模块805，用于基于所述兴趣分析结果，确定所述目标对象将要前往的地点。
[0185]
在一些实施例中，所述特征分析模块802具体用于：
[0186]
基于预先确定的地点嵌入参数，生成所述目标对象到达的每个地点的地点嵌入向量；
[0187]
基于预先确定的次序嵌入参数，生成所述地点的次序嵌入向量；
[0188]
对所述地点嵌入向量和所述次序向量进行融合处理，得到所述地点的轨迹向量；
[0189]
按照达到次序对各地点的轨迹向量进行组合，将组合得到的轨迹矩阵作为所述轨
迹特征。
[0190]
在一些实施例中，所述权重参数包括第一权重矩阵、第二权重矩阵和第三权重矩阵，所述转换模块803具体用于：
[0191]
基于所述第一权重矩阵对所述轨迹矩阵进行转换处理，得到第一转换矩阵；
[0192]
基于所述第二权重矩阵对所述轨迹矩阵进行转换处理，得到第二转换矩阵；
[0193]
基于所述第三权重矩阵对所述轨迹矩阵进行转换处理，得到第三转换矩阵；
[0194]
将所述第一转换矩阵、所述第二转换矩阵和所述第三转换矩阵，作为所述转换特征。
[0195]
在一些实施例中，所述兴趣分析模块804具体用于：
[0196]
基于所述第一转换矩阵和所述第二转换矩阵，确定所述目标对象到达的各地点的权重；
[0197]
基于所述目标对象到达的各地点的权重，对所述第三转换矩阵中的列向量进行加权求和，得到兴趣表征向量。
[0198]
在一些实施例中，所述兴趣分析模块804具体用于根据以下公式确定所述目标对象到达的第i个地点的权重wi：
[0199][0200]
其中，qi为所述第一转换矩阵中的第i个列向量，ki为所述第二转换矩阵中的第i个列向量，kj为所述第二转换矩阵中的第j个列向量，d为所述轨迹矩阵的行数，m为所述目标对象到达的地点总数，i和j均为整数。
[0201]
在一些实施例中，所述确定模块805具体用于：
[0202]
基于所述兴趣表征向量和各候选地点的嵌入向量，确定所述目标对象前往各候选地点的概率，各候选地点根据所述目标对象在历史周期内到达过的地点确定；
[0203]
将概率最高的候选地点，确定为所述目标对象将要前往的地点。
[0204]
在一些实施例中，所述确定模块805具体用于根据以下公式确定所述目标对象前往第c个候选地点的概率p(vc)：
[0205][0206]
其中，vc为第c个候选地点，a为所述兴趣表征向量，vec为第c个候选地点的嵌入向量，ve
l
为第l个候选地点的嵌入向量，n为候选地点的总数，c和l均为整数。
[0207]
本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，本技术各实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集
成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0208]
图9为本技术实施例提供的一种电子设备的结构示意图，该电子设备包括收发器901以及处理器902等物理器件，其中，处理器902可以是一个中央处理单元(central processing unit，cpu)、微处理器、专用集成电路、可编程逻辑电路、大规模集成电路、或者为数字处理单元等等。收发器901用于电子设备和其他设备进行数据收发。
[0209]
该电子设备还可以包括存储器903用于存储处理器902执行的软件指令，当然还可以存储电子设备需要的一些其他数据，如电子设备的标识信息、电子设备的加密信息、用户数据等。存储器903可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器903也可以是非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)、或者存储器903是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器903可以是上述存储器的组合。
[0210]
本技术实施例中不限定上述处理器902、存储器903以及收发器901之间的具体连接介质。本技术实施例在图9中仅以存储器903、处理器902以及收发器901之间通过总线904连接为例进行说明，总线在图9中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0211]
处理器902可以是专用硬件或运行软件的处理器，当处理器902可以运行软件时，处理器902读取存储器903存储的软件指令，并在所述软件指令的驱动下，执行前述实施例中涉及的轨迹预测方法。
[0212]
本技术实施例还提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行前述实施例中涉及的轨迹预测方法。
[0213]
在一些可能的实施方式中，本技术提供的轨迹预测方法的各个方面还可以实现为一种程序产品的形式，所述程序产品中包括有程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行前述实施例中涉及的轨迹预测方法。
[0214]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、ram、rom、可擦式可编程只读存储器(erasable programmable read-only memory，eprom)、闪存、光纤、光盘只读存储器(compact disk read only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0215]
本技术实施例中用于轨迹预测的程序产品可以采用cd-rom并包括程序代码，并可以在计算设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0216]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号
或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0217]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、射频(radio frequency，rf)等等，或者上述的任意合适的组合。
[0218]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络如局域网(local area network，lan)或广域网(wide area network，wan)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0219]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0220]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0221]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0222]
本技术是参照根据本技术实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0223]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0224]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0225]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0226]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。