(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211299206.X (22)申请日 2022.10.24 (65)同一申请的已公布的文献号 申请公布号 CN 115374375 A (43)申请公布日 2022.11.22 (73)专利权人 北京数业专攻科技有限公司 地址 102399 北京市门头沟区双峪路3 5号 院2号19层2123 (72)发明人 司俊俊　秦韬　羊晋　涂波　 (74)专利代理 机构 北京金咨知识产权代理有限 公司 11612 专利代理师 岳燕敏 (51)Int.Cl. G06F 16/9537(2019.01) G06F 16/29(2019.01)G06F 16/28(2019.01) H04W 4/029(2018.01) G06N 3/04(2006.01) (56)对比文件 CN 114655247 A,202 2.06.24 US 2022135086 A1,202 2.05.05 汤一明等.视 觉单目标跟踪算法综述. 《测控 技术》 .2020,(第08 期), 审查员 刘肇荣 (54)发明名称 基于深度学习的轨迹聚类方法、 系统及存储 介质 (57)摘要 本发明提供一种基于深度学习的轨迹聚类 方法、 系统及存储介质， 包括： 获取轨迹数据， 对 轨迹数据进行预处理； 将预处理后的轨迹数据输 入第一Transformer编码器模型， 得到各轨迹数 据的轨迹表征向量， 基于多个轨迹表征向量确定 各类别的初始聚类中心； 构建轨迹关系图； 将预 处理后的各轨迹 数据输入至第二Transformer编 码器模型， 得到第一表征向量， 将轨迹关系图输 入图网络模型， 基于轨迹关系图以及第二 Transformer编码器模型的各层自注意力网络输 出的第一隐向量确定图网络模型的各层图卷积 网络输出的第二隐向量， 将图网络模 型的最后一 层的图卷积网络的输出作为各轨迹数据的第二 表征向量； 基于第二表征向量及初始聚类中心得 到轨迹数据的最终聚类结果。 该方法提高了轨迹 聚类的准确度。 权利要求书3页 说明书10页 附图2页 CN 115374375 B 2022.12.20 CN 115374375 B 1.一种基于深度学习的轨 迹聚类方法， 其特 征在于， 所述方法包括： 获取预设时间段内的多个轨迹数据， 并对各轨迹数据进行预处理； 其中， 各所述轨迹数 据包括多个轨 迹点， 各所述轨迹点包括时间信息和位置ID信息； 将预处理后的各轨迹数据输入至第一Transformer编码器模型， 得到各所述轨迹数据 的词嵌入表示及位置编 码， 基于各所述轨迹数据的词嵌入表示及位置编码确定各所述轨迹 数据的轨迹表征向量， 对多个所述轨迹表征向量进行预聚类分析， 并基于预聚类结果确定 各类别的初始聚类中心； 基于预处理后的各轨迹数据构建轨迹关系图， 所述轨迹关系图的节点为各轨迹数据， 所述轨迹关系图的各个边代 表相邻两条轨 迹之间的相关性； 将预处理后的各轨迹数据输入至第二Transformer编码器模型， 得到各所述轨迹数据 的第一表征向量， 将所述轨迹关系图输入至图网络模型， 基于所述轨迹关系图以及所述第 二Transformer编码 器模型的各层自注 意力网络输出的第一隐向量确定所述图网络模 型的 各层图卷积网络输出的第二隐向量， 并将所述图网络模型的最后一层的图卷积网络的输出 作为各所述轨迹数据的第二表征向量； 基于所述第二表征向量及所述初始聚类中心得到所述轨 迹数据的最终聚类结果。 2.根据权利要求1所述的基于深度学习的轨迹聚类方法， 其特征在于， 所述第 二隐向量 的计算方式为： ； 其中，Zl表示第l层图卷积网络输出的第二隐向量， ε表示阈值， Zl‑1表示第l‑1层图卷积 网络输出的第二隐向量,  Hl表示Transformer编码器模型的第 l层自注意力网络输出 的第 一隐向量。 3.根据权利要求1所述的基于深度学习的轨迹聚类方法， 其特征在于， 基于所述第 二表 征向量及所述初始聚类中心得到所述轨 迹数据的最终聚类结果， 包括： 基于所述第二表征向量及各 所述初始聚类中心得到所述轨 迹数据的初始聚类结果； 基于所述初始聚类结果分别更新所述初始聚类中心和第二表征向量以得到更新后的 聚类中心和更新后的第二表征向量； 基于所述更新后的第二表征向量和更新后的聚类中心得到所述轨迹数据的最终聚类 结果。 4.根据权利要求1所述的基于深度学习的轨迹聚类方法， 其特征在于， 对各轨迹数据进 行预处理， 包括： 将所述预设时间段平均划分为多个时间区间； 获取各时间区间内的各轨迹数据的各轨迹点， 并将各轨迹数据在各时间区间内的出现 频次最多的轨 迹点作为保留轨 迹点； 当所述轨迹数据在时间区间内的轨迹点数量为零 时， 在相应轨迹数据的相应时间区间 内填充预设标识。 5.根据权利要求4所述的基于深度学习的轨迹聚类方法， 其特征在于， 基于预处理后的 各轨迹数据构建轨 迹关系图， 包括： 基于各轨 迹数据的各保留轨 迹点确定去重后的保留轨 迹点的位置ID信息集 合；权　利　要　求　书 1/3 页 2 CN 115374375 B 2基于所述位置ID信 息集合通过词袋模型方法确定各轨迹数据的特征向量， 且所述特征 向量中的元 素代表对应位置ID信息在该轨 迹数据中出现的次数； 基于各所述轨迹数据的特 征向量确定邻接矩阵； 基于各所述轨迹数据的特 征向量及邻接矩阵构建轨 迹关系图。 6.根据权利要求5所述的基于深度学习的轨迹聚类方法， 其特征在于， 基于各所述轨迹 数据的特 征向量确定邻接矩阵， 包括： 基于各所述轨迹数据的特征向量统计任意两条轨迹包含的相同位置ID信息的总数量 是否大于阈值； 在大于阈值的情况 下， 则将相应两条轨 迹作为相关轨 迹； 基于各轨 迹数据之间的相关性确定邻接矩阵。 7.根据权利要求3所述的基于深度学习的轨 迹聚类方法， 其特 征在于， 基于所述更新后的第二表征向量和更新后的聚类中心得到所述轨迹数据的最终聚类 结果， 包括： 计算各更新后的第 二表征向量与 更新后的聚类中心的距离， 基于计算得到的距离数据 确定各轨迹数据属于各类别的第二概率分布， 将最大第二概率对应的类别作为对应轨迹数 据所属类别； 且所述轨 迹聚类方法还 包括： 计算各第一表征向量与各所述 聚类中心的相似度， 基于计算得到的各相似度确定各轨 迹数据属于各类别的第一 概率分布； 基于确定的各第一 概率计算目标类别概 率分布； 计算所述目标类别概率分布与第一概率分布、 第二概率分布之间的KL散度损失， 计算 所述Transformer编码器模 型的重建损失， 基于所述KL散度损失、 重建损失计算自监督聚类 损失； 基于计算得到的自监督聚类损失优化所述Transformer编码器模型和图网络模型的网 络参数。 8.根据权利要求1所述的基于深度学习的轨 迹聚类方法， 其特 征在于， 目标类别概 率分布的计算公式为： ； 其中， 表示轨迹i属于类别j的第二 概率， 表示类别集 合； 自监督聚类损失的计算方式为： ； 其中， 为重建损 失， 为目标类别概率 分布与第一概率 分布之间的KL散度损失， 为目标类别概率 分布与 第二概率分布之间的KL散度损失， 为0.1， 为0.001。 9.一种基于深度 学习的轨迹聚类系统， 该系统包括处理器和存储器， 其特征在于， 所述 存储器中存储有计算机指令， 所述处理器用于执行所述存储器中存储的计算机指令， 当所 述计算机指令被处 理器执行时该系统实现如权利要求1至8中任意 一项所述方法的步骤。权　利　要　求　书 2/3 页 3 CN 115374375 B 3