1.一种基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，具体包括如下步骤：步骤1、将由经纬度点序列集成的车辆轨迹数据集作为总体数据集，在总体数据集中随机采样N条轨迹作为种子池，并使用动态规整方法计算出一个对称的N×N距离矩阵，对该距离矩阵做正则化处理，作为模型的训练导引；

步骤2、采用增强型循环神经网络对轨迹进行网格化处理，对输入轨迹进行编码；所述增强型循环神经网络是基于网格的记忆网络；

P×Q×d

步骤2.1、将基于网格的记忆网络的空间分割成P×Q的网格胞：R 为记忆模块的维度；其中P和Q为设定常数，d为RNN中循环神经网络单元的数量；对于每一个轨迹输入将其映射成一个网格序列 其中和 代表第t个步长的输入分量；

步骤2.2、将任意一个输入的轨迹点序列规范化，形成模型的标准输入；

步骤3、采用带记忆模块的增强型RNN编码器，对当前轨迹序列进行编码：在步骤2的基础上引入记忆模块，记录处理过的轨迹信息，并将轨迹信息的编码输入记忆模块；记忆模块定义有：读操作，根据需求在记忆模块中读取相似信息；写操作，记录更新轨迹信息；

步骤4、建立由种子池导引的网络度量排序学习模型，通过种子池的轨迹信息学习轨迹的相似性；采用基于距离权重的采样策略，对每一条轨迹找到种子池距离矩阵对应的行向量，作为采样依据，并据此维护相似轨迹列表，进行排序学习；

步骤5、对于维护后的相似轨迹列表，引入相应的注意力机制计算相似轨迹列表的损失，对于引入注意力机制的排序学习模型进行反向传播；

步骤6、基于车辆轨迹对引入注意力机制的排序学习模型进行实验。

2.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述的记忆模块存储空间中已网格化处理过的轨迹信息，支持对轨迹的编码，支持检索已处理存储在记忆模块中的轨迹，支持实时更新记忆模块中的信息记录。

3.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述带记忆模块的增强型RNN编码器的核心是导入的记忆模块，记忆模块中的每一个存储单元(p,q,:),都存储着网格胞(p,q)编码好的轨迹向量；所有的轨迹向量在训练之前都初始化为0。

4.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述记忆模块采用带记忆模块的增强型RNN编码器将当前轨迹序列与先前处理过的相似轨迹序列关联：在每一个时间步长t内，循环神经网络单元接收输入分量和该单元从上层单元接收的隐藏状态ht-1，并且得到该单元的隐藏状态ht，传给下一个循环神经网络单元。

5.根据权利要求4所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于：步骤3所述的带记忆模块的增强型RNN编码器使用逻辑门机制控制调整网络参数，根据训练调整的网络参数来计算每一个循环神经网络单元的状态参数，带记忆模块的增强型RNN编码器的循环调参步骤遵循以下规则：上式中，ft为遗忘门，it为输入门，st为空间门，ot为输出门，bc为偏置参数，Wg∈R4d×2,Ug∈R4d×d,Wc∈Rd×2,Uc∈Rd×d,其中d为隐藏状态的数量，R4d×2、R4d×d、Rd×2和Rd×d都为二维实数空间，Wg、Ug、Wc和Uc均为权重参数；循环神经网络单元应用sigmoid函数对输入的轨迹坐标和已处理循环神经网络单元的隐藏状态ht-1进行转换，获得隐藏状态ht，并获得4个门状态的更新值，通过4个门状态，计算得到该循环神经网络单元的暂存状态 和

6.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，步骤3所述对带记忆模块的增强型RNN编码器中的记忆模块进行：读操作：检索记忆模块中已记录的轨迹信息：在每一个时间步长t内，读取网格胞输入和增强型RNN网络单元暂存状态 作为两个输入；输出向量 用来查找已处理的轨迹中与当前轨迹相似的轨迹信息；

读取器首先查找网格胞中与当前轨迹步长相似的轨迹，并设定带宽w用类窗口查询方法将网格胞中的种子池转换向量存储到矩阵Gt，公式如下所示：上式中mix为 的权重和， 为全连接层转化矩阵，Whis和bhis分别为对应的权重参数和偏置参数；定义了读取操作后，计算出当前增强型RNN网络单元的最后状态：上式中M代表记忆模块；

写操作：在训练过程中，实时更新记忆模块M的网格胞轨迹信息；在每一个时间步长内，直接依靠空间门st更新写入：M(Xg)new＝σ(st)·ct+(1-σ(st))·M(Xg)old           (9)上式中M(Xg)new为存储输入Xg的新状态；M(Xg)old为存储输入Xg的旧状态，而σ(st)代表对空间门进行sigmoid转化；在写入操作 完成后，计算该网络单元的隐藏状态ht

ht＝ot·tanh(ct)                     (10)。

7.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，步骤4具体包括如下步骤：步骤4.1、在轨迹的总体数据集中随机采样若干条轨迹序列作为种子池，并计算任两条采样得到的轨迹序列的距离，得到距离矩阵D,并将其正则化为相似矩阵S,在接下来的模型训练过程中，将以S作为导引：上式中α为调节相似度的参数，Di,j为距离矩阵D中第i行，第j列的元素；相似矩阵S中的每一个元素Si,j都由该公式得到；

步骤4.2、对于任意输入的两条轨迹Ti和Tj，增强型RNN编码器能够将其编码成两个d维向量Ei和Ej，模型的训练目标是得到函数g(·,·)使其能逼近真实相似函数f(·,·)：其中K是具有标识度的轨迹对，wk为第k对轨迹的权重；

步骤4.3、在选取每一对轨迹对时，引入注意力机制选取更具有标识度的轨迹对；对于每一个待比较轨迹Ta，从相似矩阵S中选取对应的行向量Ia，由于相似矩阵自身的定义，以Ia为序列选择权重，从种子池中采样n个不同的轨迹根据相似值，为Ta维护一个相似轨迹列表Γa＝{T1,…,Tn}；对轨迹进行采样之后，在维护的相似轨迹列表上定义相似性：其中g(Ti,Tj)＝exp(-Euclidean(Ei,Ej))，计算两个编码后的向量的相似值。

8.根据权利要求1所述的基于增强型循环神经网络的轨迹相似性计算方法，其特征在于，步骤5具体包括如下步骤：步骤5.1、加权采样后，引入注意力机制建立排序损失模型进行排序学习训练；在维护的相似轨迹列表上加入权重分量 权重分量以指数形式递减，表明了相似性越小的轨迹序列在排序损失中占比越小；在Γa上定义损失函数：

其中f(Ti,Tj)是轨迹对(Ti,Tj)的真实标签，rl为权重分量r的第l个分量；定义整个训练轨迹种子池的总损失为：步骤5.2、建立排序损失模型后，应用反向传播算法以及Adam优化器对模型参数进行调整。