深度学习在轨迹数据挖掘中的应用研究综述

深度学习在轨迹数据挖掘中的应用研究综述

人工智能技术与咨询 

来源：《 计算机科学与应用》 ，作者李旭娟等

关键词: 深度学习；数据挖掘；轨迹挖掘；长短时记忆；序列到序列

摘要: 在过去十年，深度学习已被证明在很多领域应用非常成功，如视觉图像、自然语言处理、语音识别等，同时也涌现出来了大量深度学习模型，如深度卷积神经网络，深度循环神经网络、深度信念网络、深度对抗生成网络等，其深度越深学习能力越强，但同时也增加了网络训练的复杂度，权衡利弊取其中，所以在不同的应用中有很大的研究空间。另外，在基于时序数据的应用研究中，如股票趋势预测、天气预测、异常气候地质灾害预测等，相比较于传统的方法，各种改进的、融合的深度学习方法显然更胜一筹。而轨迹数据是时序数据的一种，它除了有时间维度的依赖性还有空间维度的相关关系。轨迹数据挖掘与我们的生活息息相关，从城市规划到个性化推荐，从出行安全到优质服务。所以本文通过对轨迹数据进行简单的剖析，对轨迹数据的应用进行一定的总结，并分析了一些用于轨迹数据挖掘的深度学习模型的优缺点，提出了一些小技巧，以此来对后续轨迹数据挖掘提供一些思路。

1. 介绍

由于位置感知设备如手机、可穿戴产品的不断普及，基于位置的社交网络被广泛使用，大量的轨迹数据应运而生。如手机定位系统会产生每个人的行为轨迹数据，汽车导航定位系统会产生大量的汽车轨迹数据，飞机的广播式自动相关监视系统(Automatic dependent surveillance-broadcast，缩写为ADS-B)也会形成大量的航迹数据。这些轨迹数据集已被证明是非常宝贵的资源，可以用来做城市规划、交通管制、行为生态学研究、运动场景分析、监测管理和提高安全系数等。学者们花了大量的时间和精力研究了很多轨迹数据分析和挖掘的方法。其中 [1] 在2015年对轨迹挖掘应用中已解决的问题做了系统的总结，包括解决方法和应用场景，并分析了他们的关系， [2] 在2016年对轨迹的数据预处理、数据管理和数据查询技术，轨迹数据应用和隐私保护等方面进行了分析和讨论，但其中的解决方案、技术应用都没有提及发展得如火如荼的深度学习方法。终于在2019年， [3] 站在了更高更广的角度系统的总结了深度学习在时空数据挖掘中的应用，然而它在具体的轨迹数据挖掘方面的阐述并不详细，因此本文就哪些深度学习方法解决了哪些轨迹数据挖掘任务的问题进行系统地分析和讨论。

本文接下来将在第2部分对轨迹数据和轨迹数据挖掘任务进行简单的介绍；在第3部分列举一些在轨迹数据挖掘应用中常用的深度学习模型；第4部分，叙述了如何为特定的任务选择和设计深度学习模型；第5部分，总结和展望。

2. 轨迹数据

2.1. 定义

轨迹数据是物体或者人随着时间移动而产生的路径信息，包括位置坐标和速度等，通常由随物体或人携带的传感器产生并在一定的时间间隔记录相关信息。全球卫星导航系统(The Global Navigation Satellite System，缩写为GNSS)是传感器提供位置信息的主要来源，常用的现阶段最完善的是GPS系统，还有正在亚太地区全面开启服务的BDS、GLONASS系统也将广泛使用，在轨迹数据上的体现将是更加实时性和更高的精度。

2.2. 表达方式

通常一条轨迹可以表示为一个序列，如 {(p1,t1),(p2,t2),⋯(pn,tn)}{(p1,t1),(p2,t2),⋯(pn,tn)}，其中pi表示位置(如经度、纬度)，

ti表示物体或者人经过该位置的时间。它可以直接作为循环神经网络(RNN)的输入，成为典型的深度学习模型学习的对象之一。

有时轨迹数据也可以用一个二维图像(或2维矩阵)来表示，如一条轨迹可以对应着一张二维地图，如图1(a)。若将地图划成M * M的网格，M是预定义的常量，表示地图的分辨率，用Cx,y表示第x行和第y列的网格，则每个轨迹点都可以根据它的经纬度映射到一个网格Cx,y中，通过这种方式，我们就将一条轨迹转化为一个M * M的图像(如图1(b))，其中网格中的值要么为零，要么是轨迹坐标对应的一个非负值，表示位置信息。这种数据表达多是为了符合CNN模型的输入格式，让卷积网络尝试学习轨迹数据中的特征，这种表达方式更能保留位置间的相关关系。