本发明涉及地理空间人工智能、城市治理，具体来说，涉及一种利用通用人工智能技术推理个体出行轨迹的方法。
背景技术：
1、个体轨迹数据预测和生成技术对于城市规划和管理、交通管理等领域具有重要意义，主要表现在以下几个方面。一是交通流量优化：通过预测特定区域内的个体移动模式，可以帮助交通规划者优化交通流量，减少交通拥堵，提高道路使用效率；二是城市规划和基础设施布局：轨迹数据可以揭示人群的活动热点和移动趋势，为城市规划和公共设施布局提供数据支持，比如在哪里建设新的公园、商场、医院或公共交通设施；三是应急管理：在自然灾害或公共卫生事件发生时，轨迹预测和生成技术可以高效地进行人群疏散、资源分配和追踪。四是个性化服务：在商业领域，通过分析顾客的移动轨迹，企业可以提供更加个性化的服务和推广，提高顾客满意度和忠诚度。
2、近期在生成和预测个体轨迹数据领域的研究取得了显著进展，这些研究利用了从传统人类移动模型到前沿深度学习方法(如图神经网络gnns)的广泛方法论。
3、(1)传统人类移动模型
4、传统的预测和生成人类移动模式的模型常常依赖于统计和数学模型来捕捉人类移动的规律性，包括：
5、引力模型：受牛顿万有引力定律的启发，这些模型基于地点的“质量”(人口规模、经济活动)和地点之间的距离来预测人流从一个地点到另一个地点的流动；
6、马尔可夫链：用于模拟基于当前状态或位置从一个位置移动到另一个位置的概率，这些模型虽简单但有效地捕捉了短期依赖性；
7、霍克斯过程：用于模拟自激发的时间事件，霍克斯过程已被用于通过考虑个人过去位置的序列来预测个人下一个位置的发生。
8、(2)机器学习模型
9、随着机器学习，特别是深度学习的出现，模型复杂轨迹数据的能力大大提高：
10、循环神经网络(rnns)和长短期记忆网络(lstm)：这些网络特别适用于序列数据，已被广泛用于通过学习历史轨迹序列来预测未来位置；
11、卷积神经网络(cnns)：虽然传统上用于图像处理，但cnns已被适应处理时空轨迹数据，捕捉地点之间的空间依赖性。
12、(3)图神经网络(gnns)
13、gnns已成为轨迹预测的强大工具，得益于其对空间数据复杂的非欧几里得结构建模能力：
14、时空图卷积网络(st-gcns)：这些模型利用图卷积操作来捕捉地点之间的空间依赖性和随时间的时间依赖性，提供了在预测未来轨迹方面的优异性能；
15、动态图神经网络：对于模型位置之间不断变化的关系，动态gnns会随时间调整图的结构，反映底层空间网络的变化。
16、(4)生成模型
17、生成模型，特别是生成对抗网络(gans)，已被用于生成逼真的个体轨迹数据：
18、轨迹gans：通过学习真实轨迹数据的分布，这些模型可以生成新的轨迹，这些轨迹模仿了观察数据的统计特性，用于数据增强和模拟；
19、变分自编码器(vaes)：vaes也已应用于通过学习轨迹数据的潜在表示来生成新的轨迹，然后可以从中采样产生新的数据点。
20、现有研究仍然难以充分把握个体行为的复杂性和不确定性，以及个体与环境之间高度复杂的交互关系，各类模型过于概括和抽象，尽管可以在宏观的总体层面上反映大规模群体的移动规律，但是在中微观尺度上准确性和通用性受到很大的制约。
21、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本发明提出一种利用通用人工智能技术推理个体出行轨迹的方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本发明采用的具体技术方案如下：
3、一种利用通用人工智能技术推理个体出行轨迹的方法，该方法包括以下步骤：
4、s1、构建并训练基础大语言模型；
5、s2、基于获取的地理空间信息，对训练后的基础大语言模型进行优化，得到优化后的基础大语言模型；
6、s3、利用优化后的基础大语言模型输出与自然语言指令相对应的个体出行轨迹。
7、进一步的，基于获取的地理空间信息，对训练后的基础大语言模型进行优化，得到优化后的基础大语言模型包括以下步骤：
8、s21、基于获取的地理空间信息，构建并利用地理空间场景信息编码器进行数据处理；
9、s22、基于数据处理结果，结合实际的个体出行轨迹数据，获取指令数据；
10、s23、将指令数据输入至训练后的基础大语言模型，得到优化后的基础大语言模型。
11、进一步的，基于获取的地理空间信息，构建并利用地理空间场景信息编码器进行数据处理包括以下步骤：
12、s211、基于距离的过滤法，对获取的地理空间信息进行清洗，去除冗余点和离群点；
13、s212、将清洗后的地理空间信息划分为全局空间地理信息数据、局部空间地理信息数据及个体空间地理信息数据；
14、s213、利用地理空间场景信息编码器分别对全局空间地理信息数据、局部空间地理信息数据及个体空间地理信息数据进行数据处理。
15、进一步的，基于距离过滤法的计算公式为：
16、
17、式中，d表示为计算两个连续点pi-1,pi之间的大圆距离；
18、r表示为地球的半径；
19、δφ表示为两个连续点pi-1,pi之间的纬度差；
20、φ1表示为pi-1的纬度；
21、φ2表示为pi的纬度；
22、δλ表示为两个连续点pi-1,pi之间的经度差。
23、进一步的，利用地理空间场景信息编码器分别对全局空间地理信息数据、局部空间地理信息数据及个体空间地理信息数据进行数据处理包括以下步骤：
24、s2131、将地理空间场景信息编码器划分为全局场景信息编码器、局部场景信息编码器及个体属性信息编码器；
25、s2132、根据全局场景信息编码器，将全局空间地理信息数据转换为栅格数据；
26、s2133、根据局部场景信息编码器，将局部空间地理信息数据转换为自然语言文本；
27、s2134、根据个体属性信息编码器，将个体空间地理信息数据转换为自然语言文本。
28、进一步的，将指令数据输入至训练后的基础大语言模型，得到优化后的基础大语言模型包括以下步骤：
29、s231、将获取的指令数据进行归一化处理；
30、s232、集成peft方法到训练后的基础大语言模型；
31、s233、设置参数，并利用归一化处理后的指令数据优化参数，得到优化后基础大语言模型；
32、s234、评估优化后的基础大语言模型。
33、进一步的，评估优化后的基础大语言模型包括以下步骤：
34、s2341、将获取的地理空间信息划分为训练集与测试集；
35、s2342、利用地理空间场景信息编码器，将测试集转换为测试自然语言文本；
36、s2343、将测试自然语言文本输入至优化后的基础大语言模型，得到完整轨迹生成的真实性测试结果指标与下一步预测的准确性测试结果指标；
37、s2344、分析得到的完整轨迹生成的真实性测试结果指标与下一步预测的准确性测试结果指标，得到优化后的基础大语言模型的评估结果。
38、进一步的，将测试自然语言文本输入至优化后的基础大语言模型，得到完整轨迹生成的真实性测试结果指标包括以下步骤：
39、从测试自然语言文本中提取个体信息，并将个体信息输入至优化后的基础大语言模型，得到虚拟的个体出行轨迹数据；
40、利用弗雷歇距离与kullback-leibler散度，比较虚拟的个体出行轨迹数据与实际的个体出行轨迹数据之间的相似性，获取完整轨迹生成的真实性测试结果指标。
41、进一步的，弗雷歇距离的计算公式为：
42、
43、式中，δf(a,b)表示为轨迹a和b之间的弗雷歇距离；
44、表示为搜索所有映射α和β，得到最小化最大距离的映射对；
45、a表示为轨迹；
46、b表示为轨迹；
47、α表示为从单位区间[0,1]到轨迹a的映射；
48、β表示为从单位区间[0,1]到轨迹b的映射；
49、t表示为参数化的时间；
50、||α(t)-β(t)||是在映射α和β下,对应点α(t)和对应点β(t)之间的欧几里得距离；
51、kullback-leibler散度的计算公式为：
52、
53、式中，dkl(p||q)表示为轨迹q相对于轨迹p的kl散度；
54、p表示为轨迹；
55、q表示为轨迹；
56、k表示为特征类的总数量；
57、k表示为其中某一个特征类；
58、p(k)表示为在轨迹p中分配给特征类k的轨迹点的比例；
59、q(k)表示为在轨迹q中分配给特征类k的轨迹点的比例。
60、进一步的，将测试自然语言文本输入至优化后的基础大语言模型，得到下一步预测的准确性测试结果指标包括以下步骤：
61、从测试自然语言文本中随机选取轨迹点，并记录轨迹点的真实信息向量；
62、将轨迹点前的所有轨迹点利用地理空间场景信息编码器转换为个体自然语言文本；
63、将个体自然语言文本输入至优化后的基础大语言模型，得到轨迹点的预测信息向量；
64、计算真实信息向量与预测信息向量的余弦相似度，得到下一步预测的准确性测试结果指标。
65、本发明的有益效果为：
66、1、本发明通过一种大规模生成高质量个体出行仿真数据的技术途径，对于城市交通模拟、新区建设、旧城更新等需要精确模拟用户需求和分布的领域，提供了高分辨率数据源，有助于更好的预判规划的实施效果、评估方案优劣势，提高决策的科学性。
67、2、本发明通过一种预测未来轨迹点的技术方法，可用于预测海量用户未来的可能分布情况和行动特征，在城市交通领域中可用于预估未来城市交通负荷的分布，在个性化推荐领域可用于提前预判用户行动、及时给出基于地理场所的信息推荐，在应急管理领域可用于预知大量人群的未来动向，避免紧急事故的发生。
68、3、本发明通过一种插补缺失轨迹数据的技术方法，有助于提高轨迹数据的质量，增加其应用的科学性和可靠性，同时，对于轨迹数据的分析、预测和应用具有重要意义，能够提供更准确的结果和更可靠的决策依据。
1.一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述基于获取的地理空间信息，对训练后的基础大语言模型进行优化，得到优化后的基础大语言模型包括以下步骤：
3.根据权利要求2所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述基于获取的地理空间信息，构建并利用地理空间场景信息编码器进行数据处理包括以下步骤：
4.根据权利要求3所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述基于距离过滤法的计算公式为：
5.根据权利要求3所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述利用地理空间场景信息编码器分别对全局空间地理信息数据、局部空间地理信息数据及个体空间地理信息数据进行数据处理包括以下步骤：
6.根据权利要求2所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述将指令数据输入至训练后的基础大语言模型，得到优化后的基础大语言模型包括以下步骤：
7.根据权利要求6所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述评估优化后的基础大语言模型包括以下步骤：
8.根据权利要求7所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述将测试自然语言文本输入至优化后的基础大语言模型，得到完整轨迹生成的真实性测试结果指标包括以下步骤：
9.根据权利要求8所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述弗雷歇距离的计算公式为：
10.根据权利要求7所述的一种利用通用人工智能技术推理个体出行轨迹的方法，其特征在于，所述将测试自然语言文本输入至优化后的基础大语言模型，得到下一步预测的准确性测试结果指标包括以下步骤：
