轨迹预测方法、装置、电子设备和可读存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种轨迹预测方法、装置、电子设备和可读存储介质。

背景技术：

目前，服务平台为了提供更加优质的服务，往往会预先通过仿真系统进行仿真模拟，例如，平台a是一代驾服务平台，平台a在提供代驾服务的过程中，需要对各个代驾司机分配订单，为了使得订单的分配更加合理，需要通过仿真系统对订单的分配进行仿真模拟。

在仿真模拟的过程中，为了使得仿真系统能够准确的反映现实情况，仿真系统需要对各个代驾司机(尤其是空闲司机)的游走路径进行预测，在相关技术中，通常使用随机概率矩阵或者热力图来预测代驾司机的游走路径，但是，随着时间的延长，上述方法的准确率会越来越低，进而会导致仿真系统的仿真效果越来越差。

技术实现要素：

有鉴于此，本发明实施例提供一种轨迹预测方法、装置、电子设备和可读存储介质，以提高轨迹预测的准确率。

第一方面，提供了一种轨迹预测方法，所述方法应用于电子设备，所述方法包括：

获取目标特征状态，所述目标特征状态至少基于待预测目标的起始坐标生成。

将所述目标特征状态输入预先训练的长短期记忆模型以确定包括多个预测坐标的预测轨迹。

其中，所述长短期记忆模型包括神经元单元序列，所述神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，所述第一输入信息包括细胞状态或在前的神经元单元的隐层特征，所述第二输入信息包括所述目标特征状态，或者，根据所述神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

第二方面，提供了一种轨迹预测装置，所述装置应用于电子设备，所述装置包括：

第一获取模块，用于获取目标特征状态，所述目标特征状态至少基于待预测目标的起始坐标生成。

第一确定模块，用于将所述目标特征状态输入预先训练的长短期记忆模型以确定包括多个预测坐标的预测轨迹。

其中，所述长短期记忆模型包括神经元单元序列，所述神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，所述第一输入信息包括细胞状态或在前的神经元单元的隐层特征，所述第二输入信息包括所述目标特征状态，或者，根据所述神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。

通过本发明实施例，长短期记忆模型可以基于顺序串联的多个神经元单元，按照时间顺序依次预测各第一时间节点对应的预测坐标，在此过程中，由于长短期记忆模型能很好地学习到时序数据之间的相关性并缓解时间依赖等问题，而且在本发明实施例中每个第一时间节点的预测坐标都是由神经元单元基于上一神经元单元输出的预测坐标确定的，也就是说，本发明实施例可以基于起始的目标特征状态来预测后续多个第一时间节点的预测坐标，因此，各个预测坐标之间均具有较强的相关性，进而，因为各个预测坐标之间具有较强的相关性，所以随着时间的推移，长短期记忆模型仍可以输出准确的预测轨迹。

附图说明

通过以下参照附图对本发明实施例的描述，本发明实施例的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1为本发明实施例提供的一种常规轨迹预测的示意图；

图2为本发明实施例提供的一种轨迹预测方法的流程图；

图3为本发明实施例提供的一种轨迹预测过程的示意图；

图4为本发明实施例提供的另一种轨迹预测过程的示意图；

图5为本发明实施例提供的一种确定最接近的路径坐标的示意图；

图6为本发明实施例提供的另一种轨迹预测方法的流程图；

图7为本发明实施例提供的一种训练长短期记忆模型时的示意图；

图8为本发明实施例提供的另一种训练长短期记忆模型时的示意图；

图9为本发明实施例提供的一种轨迹预测装置的结构示意图；

图10为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

目前，服务平台为了提供更加优质的服务，往往会预先通过仿真系统进行仿真模拟，例如，某平台是一代驾服务平台，该平台在提供代驾服务的过程中，需要对各个代驾司机分配订单，为了使得订单的分配更加合理，往往需要预先通过仿真系统对订单的分配进行仿真模拟。

在仿真模拟的过程中，为了使得仿真系统能够准确的反映现实情况，仿真系统需要对各个代驾司机(尤其是空闲司机)的游走轨迹进行预测，在相关技术中，通常使用随机概率矩阵或者热力图来预测代驾司机的游走路径，但是，随着时间的延长，上述方法的准确率会越来越低，进而会导致仿真系统的仿真效果越来越差。

其中，游走轨迹通常用于表征待预测目标在空闲状态(若待预测目标为代驾司机，则空闲状态为代价司机处于未接单状态)时的行动轨迹，具体的，如图1所示，图1为本发明实施例提供的一种常规轨迹预测的示意图，该示意图包括：地图11、轨迹预测算法12、起始坐标a和终点坐标b，其中，起始坐标a为待预测目标的起始坐标，起始坐标a和终点坐标b之间的虚线用于表征待预测目标从起始坐标a到终点坐标b的游走轨迹。

在预测待预测目标行动轨迹的过程中，可以将起始坐标a输入轨迹预测算法12中，轨迹预测算法12接收到起始坐标a后，可以预测待预测目标在一段时间x内的游走轨迹(如图1中虚线所示的路线)，并确定终点坐标b。

其中，该轨迹预测算法12可以是基于随机概率矩阵或者热力图来构建的算法，然而，相关技术中轨迹预测算法的准确率会随着时间x的增加而逐渐降低，进而会使得仿真系统的仿真效果降低。

在轨迹预测时，为了确保可以在一段较长的时间内具有较高的准确率，本发明实施例提供一种轨迹预测方法，该方法可以应用于电子设备，其中，电子设备可以是服务器或者终端设备，服务器可以是单个服务器，也可以是以分布式方式配置的服务器集群，还可以是云服务器，终端设备可以是智能手机、平板电脑或者个人计算机(personalcomputer，pc)等。

下面将结合具体实施方式，对本发明实施例提供的一种轨迹预测方法进行详细的说明，如图2所示，具体包括如下步骤：

在步骤21，获取目标特征状态。

其中，目标特征状态至少基于待预测目标的起始坐标生成。

在一种可选的实施方式中，目标特征状态除了基于待预测目标的起始坐标生成之外，还可以基于待预测目标的起始坐标和第一偏好参数生成，具体的，步骤21可以执行为：获取待预测目标的第一偏好参数，以及对第一偏好参数和起始坐标进行特征融合处理，以确定目标特征状态。

其中，第一偏好参数至少包括待预测目标的个性化特征，在本发明实施例中，个性化特征可以用于表征影响待预测目标游走轨迹的特征数据，以代驾服务平台为例，若待预测目标是代驾服务平台下的代驾司机，则个性化特征可以用于表征该代驾司机的接单区域偏好、游走时间偏好等特征数据。

其中，接单区域偏好可以用于表征代驾司机更偏好在某些区域内接单(例如商圈或者办公楼区等等)，游走时间偏好可以用于表征代驾司机更偏好在某些时间段内游走(例如13:00-17:00)，当确定代驾司机的个性化特征后，可以对个性化特征进行预处理(数值归一化或者独热编码等)，以确定该代驾司机的第一偏好参数，然后，电子设备可以根据该代驾司机的第一偏好参数和起始坐标确定该代驾司机的目标特征状态，当然，在本发明实施例中，上述举例是以代驾司机作为待预测目标进行说明的，在实际应用中，待预测目标可以是任意适用的目标(例如网约车服务平台下的网约车司机、外卖平台的配送服务人员等等)，本发明实施例对此不作限定。

通过在目标特征状态中加入第一偏好参数，使得目标特征状态可以更细粒度的表征待预测目标的当前状态，进而使得电子设备可以更准确的预测待预测目标的游走轨迹。

在另一种可选的实施方式中，还可以在目标特征状态中加入待预测目标的速度、海拔高度等信息，由于待预测目标的速度、海拔高度等信息可以影响其在一段时间内的游走里程，所以在目标特征状态中加入待预测目标的速度、海拔高度等信息，可以使得电子设备更准确的预测待预测目标的游走轨迹。

在步骤22，将目标特征状态输入预先训练的长短期记忆(longshort-termmemory，lstm)模型以确定包括多个预测坐标的预测轨迹。

其中，lstm是一种时间循环神经网络，其是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的一种神经网络。

在本发明实施例中，长短期记忆模型包括神经元单元序列，神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，第一输入信息包括细胞状态或在前的神经元单元的隐层特征，第二输入信息包括目标特征状态，或者，根据神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

也就是说，长短期记忆模型包括n个串联的神经元单元，第一神经元单元接收第一输入信息和第二输入信息，输出经过第一时间步长后的第一预测坐标，第i神经元单元根据第一输入信息和第二输入信息，输出经过第一时间步长后的第i预测坐标，其中，i大于等于2小于等于n，n大于等于2。

需要说明的，第一时间节点和第一时间步长中的“第一”仅用于区别于下文中的“第二”，在实际应用中，第一时间步长可以是固定时长的时间步长，也可以是按照预设规律进行变化的变长时间步长，本发明实施例对此不作限定。

例如，基于本发明实施例的长短期记忆模型可以预测待预测目标一天内的游走轨迹，具体的，第一时间节点的数量可以是24，即每个第一时间节点对应一天中的一个整点，第一时间步长为1小时。

再例如，第一时间节点的数量为24，而且，在一天时间(00:00-24:00)内，高峰时间段可以设置有较为密集的第一时间节点，相应的，平峰或深夜时间段可以设置有较为稀疏的第一时间节点，也就是说，本发明实施例可以基于变长时间步长的第一时间步长在不同的时间段设置不同数量的第一时间节点，以使得可以重点针对高峰时段进行预测。当然，也可以基于其他适用的方式对第一时间节点和第一时间步长进行设置，本发明实施例对此不做赘述。

通过本发明实施例，长短期记忆模型可以基于顺序串联的多个神经元单元，按照时间顺序依次预测各第一时间节点对应的预测坐标，在此过程中，由于长短期记忆模型能很好地学习到时序数据之间的相关性并缓解时间依赖等问题，而且在本发明实施例中每个第一时间节点的预测坐标都是由神经元单元基于上一神经元单元输出的预测坐标确定的，也就是说，本发明实施例可以基于起始的目标特征状态来预测后续多个第一时间节点的预测坐标，因此，各个预测坐标之间均具有较强的相关性，进而，因为各个预测坐标之间具有较强的相关性，所以随着时间的推移，长短期记忆模型仍可以输出准确的预测轨迹。

在一种可选的实施方式中，上述长短期记忆模型可以是基于双层单向lstm进行构建的模型。

具体的，如图3所示，图3为本发明实施例提供的一种轨迹预测过程的示意图，该示意图包括：多个以第一时间步长间隔的第一时间节点t1-tn、神经元单元311-31n、神经元单元321-32n以及线性函数33。

其中，图3所示的模型为本发明实施例提出的一种双层单向lstm，在实际应用中，也可以通过其他结构的lstm构建上述长短期记忆模型(例如通过单层lstm构建上述长短期记忆模型)，本发明实施例对此不做限定。

结合图2所示的内容，在轨迹预测的过程中，神经元单元311可以接收特征状态x1和细胞状态c1，其中，特征状态x1为基于待预测目标的起始坐标和第一偏好参数生成的目标特征状态。

细胞状态是lstm中用于存储关键信息的核心，是数据流线性操作得出的结果，避免了长序列依赖带来的梯度指数级变化导致的消失问题。数据流经过隐藏层记忆单元时，记忆单元对数据进行一系列的操作来决定细胞状态舍弃哪一部分旧信息，保留增加哪一部分信息。

在神经元单元311对特征状态x1和细胞状态c1计算后，神经元单元311可以将输出的数据纵向传递至神经元单元321，以使得神经元单元321可以进行进一步的计算，同时，神经元单元311还可以将其隐层状态和细胞状态横向传递至神经元单元312，其中，隐层状态包含了经过处理后所得到的信息。

神经元单元321在接收到神经元单元311传递的数据之后，可以根据神经元单元311传递的数据以及细胞状态c2确定第一时间节点t2对应的预测坐标(lat，lng)，同时，神经元单元321会将隐层特征以及细胞状态横向传递至神经元单元322，其中，lat用于表征经纬度坐标中的经度坐标，lng用于表征经纬度坐标中的纬度坐标。

然后，长短期记忆模型可以根据第一时间节点t2的预测坐标和待预测目标的第一偏好参数，生成中间特征状态x2。

基于与上述过程相同的处理方式，图3所示的长短期记忆模型可以逐步确定各个第一时间节点所对应的预测坐标，响应于满足轨迹预测结束的条件，通过线性函数33输出终点坐标。进一步的，本发明实施例可以根据第一时间节点t2-t(n+1)的预测坐标，结合第一时间节点t1的起始坐标，确定待预测目标的游走轨迹。

通过本发明实施例，基于双层单向lstm构建的长短期记忆模型可以相较于传统的单层lstm具有更好的信息处理能力，也就是说，通过双层单向lstm构建的长短期记忆模型可以更准确的确定待预测目标的预测轨迹。

从结果的角度来看，本发明实施例可以根据长短期记忆模型按照时间顺序生成的预测坐标确定待预测坐标的游走轨迹，如图4所示，图4为本发明实施例提供的另一种轨迹预测过程的示意图，该示意图包括：地图41、长短期记忆模型42、起始坐标a、预测坐标点1-5和终点坐标b。

如图4所示，当长短期记忆模型42接收到起点坐标a后，可以根据上述图3所示的处理流程按照时间顺序逐步确定各第一时间节点所对应的预测坐标，即预测坐标1-5以及终点坐标b，最终，长短期记忆模型42输出的各个坐标可以构成待预测目标的游走轨迹(即图4中虚线所示的轨迹)。

由图4可知，待预测目标的游走轨迹是由相邻的坐标连线形成的，且每个预测坐标都是由长短期记忆模型42根据前一坐标确定的，所以，各个预测坐标之间具有较强的相关性，也即长短期记忆模型42可以输出一个准确的游走轨迹。

由图2可知，各个第一时间节点的预测坐标是神经元单元根据上一神经元单元输出的预测坐标确定的，在一种可选的实施方式中，中间特征状态可以基于如下步骤确定：确定神经元单元序列中上一神经元单元输出的预测坐标最接近的路径坐标，以及根据最接近的路径坐标，生成中间特征状态。

其中，路径坐标用于表征处于道路上的坐标，在实际应用中，为了使得预测轨迹可以更有效的应用于仿真系统，可以将预测坐标临近的路径坐标作为轨迹点，以使得待预测目标的轨迹更符合真实的轨迹，也就是说，可以使得电子设备的预测效果更好。

具体如图5所示，图5为本发明实施例提供的一种确定最接近的路径坐标的示意图，该示意图包括：地图51、预测坐标x和路径坐标y。

当长短期记忆模型确定预测坐标x后，可以确定距离预测坐标x最近的路径坐标y(若预测坐标x处于道路上，则将预测坐标x作为路径坐标)，进而，长短期记忆模型可以根据路径坐标y生成中间特征状态。

在实际应用中，待测试目标通常会在道路行驶，因此，将路径坐标y作为轨迹点可以使得待预测目标的轨迹更符合真实的轨迹。

进一步的，在一种可选的实施方式中，上述根据最接近的路径坐标生成中间特征状态的过程，具体可以执行为：获取待预测目标的第一偏好参数，以及对第一偏好参数和最接近的路径坐标进行特征融合处理，以确定中间特征状态。

在本发明实施例中，当结合最接近的路径坐标和第一偏好参数确定中间特征状态时，既可以表征待预测目标的真实轨迹，也可以更细粒度的表征待预测目标的当前状态，也就是说，通过结合最接近的路径坐标和第一偏好参数确定的中间特征状态，可以更加准确的确定待预测目标的游走轨迹。

为了使得上述长短期记忆模型具有良好的预测效果，本发明实施例需要对该长短期记忆模型进行预训练，具体的，如图6所示，该长短期记忆模型可以基于如下步骤训练：

在步骤61，获取训练集。

其中，训练集包括样本目标在历史时间序列中各第二时间节点所对应的历史特征状态，第二时间节点为在历史时间序列中以第二时间步长间隔的时间节点，历史特征状态至少基于样本目标在历史时间序列中的各历史坐标生成。

需要说明的，第二时间节点和第二时间步长中的“第二”仅用于区别于上文中的“第一”，在实际应用中，第二时间步长可以是固定时长的时间步长，也可以是按照预设规律进行变化的变长时间步长，本发明实施例对此不作限定。

在实际应用中，服务平台可以获取自身存储的历史服务数据，并基于该历史服务数据构建训练集，其中，历史服务数据中的目标为训练集中的样本目标，样本目标在历史时间序列中的各第二时间节点所处的坐标为历史坐标。

在一种可选的实施方式中，各第二时间节点所对应的历史特征状态基于如下步骤生成：获取样本目标的第二偏好参数，以及对第二偏好参数和历史坐标进行特征融合处理，以确定历史特征状态。

其中，第二偏好参数至少包括样本目标的个性化特征。

通过在历史特征状态中加入第二偏好参数，使得历史特征状态可以更细粒度的表征样本目标的状态，相较于仅使用历史坐标对长短期记忆模型进行训练，可以使得长短期记忆模型得到更多维度的训练。

在步骤62，以历史时间序列作为输入顺序，以第二时间步长为时间间隔，依次将各历史特征状态输入长短期记忆模型，确定长短期记忆模型在各第二时间节点的输出坐标。

具体的，如图7所示，图7为本发明实施例提供的一种训练长短期记忆模型时的示意图，该示意图包括：多个以第二时间步长间隔的第二时间节点t1′-tn′、神经元单元711-71n、神经元单元721-72n以及线性函数73。

其中，图7所示的长短期记忆模型与上述图3所示的长短期记忆模型结构相同，另外，图7中的符号“′”用于区分图7和图3中的各标识。

结合图6所述的内容，在训练的过程中，神经元单元711可以接收历史特征状态x1′以及细胞状态c1′，然后，神经元单元711可以向神经元单元712横向传递隐层状态并向神经元单元721纵向传递中间数据，然后，神经元单元721可以接收细胞状态c2′和神经元单元711传递的中间数据，并输出第二时间节点t1′对应的输出坐标。

与轨迹预测过程(即图3所示的过程)不同的是，训练过程中的各历史特征状态均是根据真实的历史数据预先确定的特征状态，也就是说，神经元单元712-71n所接收的历史特征状态并不是基于前一神经元单元输出的输出坐标所确定的特征状态。

通过本发明实施例，由于每个第二时间节点所对应的历史特征状态均是根据真实的历史数据预先确定的特征状态，所以，基于上述历史特征状态所建立的训练集可以有效训练长短期记忆模型。

在步骤63，基于各输出坐标和各第二时间节点对应的历史坐标，调整长短期记忆模型的模型参数。

在本发明实施例中，可以使用亚当(adam)优化器对长短期记忆模型的模型参数进行调整，其中，adam是一种对随机梯度下降法的扩展，广泛应用于深度学习的训练，adam与经典的随机梯度下降算法不同，其计算了梯度和平方梯度的指数移动平均值，使得adam可以很快的取得一个较好的训练效果。

在另一种可选的实施方式，如图8所示，图8为本发明实施例提供的另一种训练长短期记忆模型时的示意图，该示意图包括：多个以第二时间步长间隔的第二时间节点t1′-tn′、神经元单元711-71n、神经元单元721-72n以及线性函数73。

其中，图8所示的模型与图7所示的模型相同，不同之处在于：在调整长短期记忆模型的模型参数时，图8所示的实施例可以仅基于神经元单元72n所输出的输出坐标和第二时间节点tn′所对应的历史坐标来调整长短期记忆模型的模型参数，这样，可以有效的提高训练的效率，提高训练速度。

另外，在调整长短期记忆模型的模型参数时，可以基于预先设置的损失函数进行调整，具体的，调整模型参数的过程可以执行为：基于各输出坐标和各第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整长短期记忆模型的模型参数。

需要说明的，在调整模型参数的过程中，可以基于全部输出坐标和每个第二时间节点所对应的历史坐标进行调整(如图7所示的过程)，也可以仅基于最后输出的输出坐标和最后一个第二时间节点所对应的历史坐标进行调整(如图8所示的过程)还可以仅基于部分输出坐标和部分第二时间节点所对应的历史坐标进行调整，本发明实施例对此不作限定。

在对长短期模型进行训练的过程中，还可以通过预先设置的优化算法对长短期模型进行优化，该过程可以执行为：基于各输出坐标和各第二时间节点对应的历史坐标，通过预先设置的第一损失函数和优化算法，调整长短期记忆模型的模型参数。

其中，优化算法包括梯度裁剪算法(gradientclipping)、层标准化算法(layernormalization)中的至少一种算法。

梯度裁剪算法可以用于解决模型反向传播过程中的梯度爆炸问题，其可以通过裁剪掉超过阈值的参数来解决梯度爆炸问题并保留重要信息。

层标准化算法是一种归一化算法，其可以针对同一个样本目标的不同通道进行归一化处理，有助于加速模型收敛，提高训练速度和效率。

在一种可选的实施方式中，还可以在训练过程中更换损失函数来进一步调整长短期记忆模型的模型参数，具体的，该过程可以执行为：确定第二损失函数，基于各输出坐标和各第二时间节点对应的历史坐标，通过第二损失函数，调整长短期记忆模型的模型参数。

单一的损失函数可能会使得模型参数不能达到最佳，因此，通过更换损失函数的方式，可以进一步的调整长短期记忆模型的模型参数，以使得长短期记忆模型的模型参数达到最佳。

另外，在本发明实施例中，还可以通过替换激活函数来使得模型的功能性达到最佳，具体的，该过程可以执行为：替换长短期记忆模型中的激活函数，基于各输出坐标和各第二时间节点对应的历史坐标，调整长短期记忆模型的模型参数。

在神经网络模型中，激活函数可以将神经元的输入映射到输出端，以增加神经网络模型的非线性表达，进而提高神经网络模型的表达能力。

基于相同的技术构思，本发明实施例还提供了一种轨迹预测装置，如图9所示，该装置包括：第一获取模块91和第一确定模块92。

第一获取模块91，用于获取目标特征状态，所述目标特征状态至少基于待预测目标的起始坐标生成。

第一确定模块92，用于将所述目标特征状态输入预先训练的长短期记忆模型以确定包括多个预测坐标的预测轨迹。

其中，所述长短期记忆模型包括神经元单元序列，所述神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，所述第一输入信息包括细胞状态或在前的神经元单元的隐层特征，所述第二输入信息包括所述目标特征状态，或者，根据所述神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

可选的，所述中间特征状态基于如下模块确定：

第二确定模块，用于确定所述神经元单元序列中上一神经元单元输出的预测坐标最接近的路径坐标，所述路径坐标用于表征处于道路上的坐标。

生成模块，用于根据所述最接近的路径坐标，生成中间特征状态。

可选的，所述生成模块，具体用于：

获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征。

对所述第一偏好参数和所述最接近的路径坐标进行特征融合处理，以确定中间特征状态。

可选的，所述目标特征状态基于如下模块确定：

第二获取模块，用于获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征。

第一特征融合模块，用于对所述第一偏好参数和所述起始坐标进行特征融合处理，以确定目标特征状态。

可选的，所述长短期记忆模型基于如下模块训练：

第三获取模块，用于获取训练集，所述训练集包括样本目标在历史时间序列中各第二时间节点所对应的历史特征状态，所述第二时间节点为在所述历史时间序列中以第二时间步长间隔的时间节点，所述历史特征状态至少基于所述样本目标在所述历史时间序列中的各历史坐标生成。

第三确定模块，用于以所述历史时间序列作为输入顺序，以所述第二时间步长为时间间隔，依次将各历史特征状态输入所述长短期记忆模型，确定所述长短期记忆模型在各第二时间节点的输出坐标。

第一调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

可选的，各所述第二时间节点所对应的历史特征状态基于如下模块生成：

第四获取模块，用于获取所述样本目标的第二偏好参数，所述第二偏好参数至少包括所述样本目标的个性化特征。

第二特征融合模块，用于对所述第二偏好参数和所述历史坐标进行特征融合处理，以确定历史特征状态。

可选的，所述调整模块，具体用于：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整所述长短期记忆模型的模型参数。

可选的，所述调整模块，具体还用于：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数和优化算法，调整所述长短期记忆模型的模型参数，所述优化算法包括梯度裁剪算法、层标准化算法中的至少一种算法。

可选的，所述装置还包括：

第四确定模块，用于确定第二损失函数。

第二调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过所述第二损失函数，调整所述长短期记忆模型的模型参数。

可选的，所述装置还包括：

替换模块，用于替换所述长短期记忆模型中的激活函数。

第三调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

通过本发明实施例，长短期记忆模型可以基于顺序串联的多个神经元单元，按照时间顺序依次预测各第一时间节点对应的预测坐标，在此过程中，由于长短期记忆模型能很好地学习到时序数据之间的相关性并缓解时间依赖等问题，而且在本发明实施例中每个第一时间节点的预测坐标都是由神经元单元基于上一神经元单元输出的预测坐标确定的，也就是说，本发明实施例可以基于起始的目标特征状态来预测后续多个第一时间节点的预测坐标，因此，各个预测坐标之间均具有较强的相关性，进而，因为各个预测坐标之间具有较强的相关性，所以随着时间的推移，长短期记忆模型仍可以输出准确的预测轨迹。

图10是本发明实施例的电子设备的示意图。如图10所示，图10所示的电子设备为通用地址查询装置，其包括通用的计算机硬件结构，其至少包括处理器101和存储器102。处理器101和存储器102通过总线103连接。存储器102适于存储处理器101可执行的指令或程序。处理器101可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器101通过执行存储器102所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线103将上述多个组件连接在一起，同时将上述组件连接到显示控制器104和显示装置以及输入/输出(i/o)装置105。输入/输出(i/o)装置105可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置105通过输入/输出(i/o)控制器106与系统相连。

本领域的技术人员应明白，本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本发明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，本发明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读存储介质(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。

本发明是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。

这些计算机程序指令可以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，该指令装置实现流程图一个流程或多个流程中指定的功能。

也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中指定的功能的装置。

本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明的另一实施例涉及一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时可以实现上述部分或全部的方法实施例。

即，本领域技术人员可以理解，本发明实施例可以通过处理器执行计算机程序产品(计算机程序/指令)来指定相关的硬件(包括处理器自身)，进而实现上述实施例方法中的全部或部分步骤。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本发明实施例公开了ts1、一种轨迹预测方法，其中，所述方法包括：

获取目标特征状态，所述目标特征状态至少基于待预测目标的起始坐标生成；以及

将所述目标特征状态输入预先训练的长短期记忆模型以确定包括多个预测坐标的预测轨迹；

其中，所述长短期记忆模型包括神经元单元序列，所述神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，所述第一输入信息包括细胞状态或在前的神经元单元的隐层特征，所述第二输入信息包括所述目标特征状态，或者，根据所述神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

ts2、如ts1所述的方法，其中，所述中间特征状态基于如下步骤确定：

确定所述神经元单元序列中上一神经元单元输出的预测坐标最接近的路径坐标，所述路径坐标用于表征处于道路上的坐标；以及

根据所述最接近的路径坐标，生成中间特征状态。

ts3、如ts2所述的方法，其中，所述根据所述最接近的路径坐标，生成中间特征状态，包括：

获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征；以及

对所述第一偏好参数和所述最接近的路径坐标进行特征融合处理，以确定中间特征状态。

ts4、如ts1所述的方法，其中，所述目标特征状态基于如下步骤确定：

获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征；以及

对所述第一偏好参数和所述起始坐标进行特征融合处理，以确定目标特征状态。

ts5、如ts1所述的方法，其中，所述长短期记忆模型基于如下步骤训练：

获取训练集，所述训练集包括样本目标在历史时间序列中各第二时间节点所对应的历史特征状态，所述第二时间节点为在所述历史时间序列中以第二时间步长间隔的时间节点，所述历史特征状态至少基于所述样本目标在所述历史时间序列中的各历史坐标生成；

以所述历史时间序列作为输入顺序，以所述第二时间步长为时间间隔，依次将各历史特征状态输入所述长短期记忆模型，确定所述长短期记忆模型在各第二时间节点的输出坐标；以及

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

ts6、如ts5所述的方法，其中，各所述第二时间节点所对应的历史特征状态基于如下步骤生成：

获取所述样本目标的第二偏好参数，所述第二偏好参数至少包括所述样本目标的个性化特征；以及

对所述第二偏好参数和所述历史坐标进行特征融合处理，以确定历史特征状态。

ts7、如ts6所述的方法，其中，所述基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数，包括：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整所述长短期记忆模型的模型参数。

ts8、如ts7所述的方法，其中，所述基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整所述长短期记忆模型的模型参数，包括：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数和优化算法，调整所述长短期记忆模型的模型参数，所述优化算法包括梯度裁剪算法、层标准化算法中的至少一种算法。

ts9、如ts7所述的方法，其中，所述基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整所述长短期记忆模型的模型参数之后，所述方法还包括：

确定第二损失函数；以及

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过所述第二损失函数，调整所述长短期记忆模型的模型参数。

ts10、如ts5-ts9任一项所述的方法，其中，所述方法还包括：

替换所述长短期记忆模型中的激活函数；以及

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

ts11、一种轨迹预测装置，其中，所述装置包括：

第一获取模块，用于获取目标特征状态，所述目标特征状态至少基于待预测目标的起始坐标生成；以及

第一确定模块，用于将所述目标特征状态输入预先训练的长短期记忆模型以确定包括多个预测坐标的预测轨迹；

其中，所述长短期记忆模型包括神经元单元序列，所述神经元单元序列包括顺序串联的多个神经元单元，各神经元单元分别对应不同的第一时间节点，各第一时间节点间隔预设的第一时间步长，各神经元单元被配置为至少接收第一输入信息和第二输入信息，输出对应的第一时间节点的预测坐标，所述第一输入信息包括细胞状态或在前的神经元单元的隐层特征，所述第二输入信息包括所述目标特征状态，或者，根据所述神经元单元序列中上一神经元单元输出的预测坐标确定的中间特征状态。

ts12、如ts11所述的装置，其中，所述中间特征状态基于如下模块确定：

第二确定模块，用于确定所述神经元单元序列中上一神经元单元输出的预测坐标最接近的路径坐标，所述路径坐标用于表征处于道路上的坐标；以及

生成模块，用于根据所述最接近的路径坐标，生成中间特征状态。

ts13、如ts12所述的装置，其中，所述生成模块，具体用于：

获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征；以及

对所述第一偏好参数和所述最接近的路径坐标进行特征融合处理，以确定中间特征状态。

ts14、如ts11所述的装置，其中，所述目标特征状态基于如下模块确定：

第二获取模块，用于获取所述待预测目标的第一偏好参数，所述第一偏好参数至少包括所述待预测目标的个性化特征；以及

第一特征融合模块，用于对所述第一偏好参数和所述起始坐标进行特征融合处理，以确定目标特征状态。

ts15、如ts11所述的装置，其中，所述长短期记忆模型基于如下模块训练：

第三获取模块，用于获取训练集，所述训练集包括样本目标在历史时间序列中各第二时间节点所对应的历史特征状态，所述第二时间节点为在所述历史时间序列中以第二时间步长间隔的时间节点，所述历史特征状态至少基于所述样本目标在所述历史时间序列中的各历史坐标生成；

第三确定模块，用于以所述历史时间序列作为输入顺序，以所述第二时间步长为时间间隔，依次将各历史特征状态输入所述长短期记忆模型，确定所述长短期记忆模型在各第二时间节点的输出坐标；以及

第一调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

ts16、如ts15所述的装置，其中，各所述第二时间节点所对应的历史特征状态基于如下模块生成：

第四获取模块，用于获取所述样本目标的第二偏好参数，所述第二偏好参数至少包括所述样本目标的个性化特征；以及

第二特征融合模块，用于对所述第二偏好参数和所述历史坐标进行特征融合处理，以确定历史特征状态。

ts17、如ts16所述的装置，其中，所述调整模块，具体用于：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数，调整所述长短期记忆模型的模型参数。

ts18、如ts17所述的装置，其中，所述调整模块，具体还用于：

基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过预先设置的第一损失函数和优化算法，调整所述长短期记忆模型的模型参数，所述优化算法包括梯度裁剪算法、层标准化算法中的至少一种算法。

ts19、如ts17所述的装置，其中，所述装置还包括：

第四确定模块，用于确定第二损失函数；以及

第二调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，通过所述第二损失函数，调整所述长短期记忆模型的模型参数。

ts20、如ts15-ts19任一项所述的装置，其中，所述装置还包括：

替换模块，用于替换所述长短期记忆模型中的激活函数；以及

第三调整模块，用于基于各所述输出坐标和各所述第二时间节点对应的历史坐标，调整所述长短期记忆模型的模型参数。

ts21、一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求ts1-ts10中任一项所述的方法。

ts22、一种计算机可读存储介质，其中，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求ts1-ts10任一项所述的方法。

ts23、一种计算机程序产品，包括计算机程序/指令，其中，所述计算机程序/指令被处理器执行时实现权利要求ts1-ts10任一项所述的方法。