CN111753037B - 信息表征方法、装置、电子设备及存储介质 - Google Patents
信息表征方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111753037B CN111753037B CN202010589774.8A CN202010589774A CN111753037B CN 111753037 B CN111753037 B CN 111753037B CN 202010589774 A CN202010589774 A CN 202010589774A CN 111753037 B CN111753037 B CN 111753037B
- Authority
- CN
- China
- Prior art keywords
- node
- characterization
- graph
- traffic
- moments
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012512 characterization method Methods 0.000 title claims abstract description 99
- 238000010586 diagram Methods 0.000 claims abstract description 53
- 230000009977 dual effect Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了信息表征方法、装置、电子设备及存储介质,涉及信息处理和深度学习领域。具体实现方案为:获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数;基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征。
Description
技术领域
本申请涉及计算机技术领域。本申请尤其信息处理和深度学习领域。
背景技术
很多地图应用在预测时都需要考虑不同交通方式的路线对结果带来的影响,然而路线是由一系列路口和路段构成的非结构化序列,人工从其中抽取特征是一种非常低效的方式。因此在相关技术中,提出基于图嵌入的路线表征或基于图表示学习的路线表征等方法,但是这些方法只能保留路网图的结构信息,因此会有大量的信息损失。
发明内容
本公开提供了一种信息表征方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种信息表征方法,包括:
获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数;
基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征。
根据本公开的第二方面,提供了一种信息表征装置,包括:
获取模块,用于获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数;
空间相关性表征模块,用于基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
时空相关性表征模块,用于基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行前述方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术,能够基于N个时刻中的包含有交通枢纽图以及交通链路图的对偶路网图,建立不同时刻下的每一个节点的时空相关性表征。通过该方法可以根据一组随时间变化的对偶路网图对节点进行时间以及空间相关性的表征,保证了建立节点的表征所考虑的信息更加完备,进而有利于后续的任务能够基于更加完备的节点表征进行更加符合需求的处理。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的信息表征方法流程示意图;
图2是根据本申请对偶路网图的一种示意图;
图3是根据本申请实施例的信息表征装置组成结构示意图一;
图4是根据本申请实施例的信息表征装置组成结构示意图二;
图5是用来实现本申请实施例的信息表征方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供了一种信息表征方法,如图1所示,包括:
S101:获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数;
S102:基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
S103:基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征。
本申请实施例提供的方案可以应用于电子设备,该电子设备可以为服务器也可以为终端设备。
在执行S101之前,需要构建对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图。
为了更好地学习多模态路线的表征,考虑一组交通运输方式M={m1,m2,…mk},其中每个交通方式都会对应一个支持车辆或行人移动的交通网络(例如,道路网络、公交线路网络)。每种交通方式的交通网络由一组枢纽(如道路交叉口、公交站或地铁站)和一组链路(如路段、公交线路)组成。在每种交通方式对应的交通网络的基础上,定义了多模态交通网络,其被定义为一个属性有向图G=(V,E,AV,AE,M),V表示交通枢纽的集合,E=V×V是链路的集合,M表示一组交通运输方式,AV,AE分别代表交通枢纽和链路的特征,例如通过该枢纽的公交线路数目、链路的球面距离以及通行时间等等。如果有一个链路连接了两个枢纽,那么这两个枢纽是相邻的。并且只有当用户可以通过一个枢纽从一个链路直接到达到另一个链路时,两个链路才是相邻的。规定位于一个枢纽内的用户可以采用不同的交通方式转移到连接枢纽的其他链路,并且链路是交通网络中的最小移动单元,例如两个相邻道路交叉口之间的路段、两个相邻公交车站之间的公交线路。
该多模态交通网络为一个动态图。一方面,该图在结构(例如,公交线路开通和取消)和内容(例如,实时变化的交通状况)方面随着时间的推移而不断变化。另一方面,该图在顶点(如有无红绿灯)和边(如距离、预计到达时间、平均速度)中都包含了丰富的结构和内容信息。直接将图表示学习模型应用于多模态交通网络,无论是在图的动态性还是在原始信息方面都是有损的。
因此,本申请实施例在执行S101之前,将多模态交通网络离散为一组随时间变化的动态图,并构造对偶路网图,其包括以交通枢纽(如道路交叉口、公交站等)为顶点的以枢纽为中心的交通枢纽图,和以交通链路(如路段、公交线路等)为顶点的以链路为中心的交通链路图。关于对偶路网图(或称为多模态对偶路网图)的构建,从以交通枢纽为中心和以交通链路为中心两个角度来描述多模态交通网络中的动态结构和内容信息。
基于以上构建的对偶路网图,下面介绍针对所述对偶路网图中的交通枢纽图以及交通链路图中每一个节点进行关系表征的方式:
所述第一节点为交通枢纽图中的节点,所述方法还包括:
计算所述第一节点与第二节点之间的相似度距离;
基于所述第一节点与第二节点的相似度距离以及距离的标准差,确定所述第一节点与第二节点之间的地理距离分布权重值,将地理距离分布权重值作为所述第一节点与第二节点之间的关系表征。
以交通枢纽为中心的视角。交通枢纽图是多模态交通网络的直接映射,图上的节点和边分别表示交通枢纽和链路。
需要指出的是,第一节点可以为交通枢纽图中的任意一个节点,相应的,第二节点可以为一个或多个,第二节点为第一节点的相邻节点。
如图2左图所示为交通枢纽图的示例,图2左图的每一个顶点都会有其对应的特征,包括随时间不变的静态属性(节点的度(也就是节点连得边数)、是否有红绿灯)和动态特征(交通流量)。对于两个相邻节点(可以为前述第一节点以及一个第二节点)的交通枢纽表示为vi和vj,使用高斯核来建立第一节点与第二节点之间(即vi和vj)的关系表征,或者可以称为第一节点以及第二节点(即vi和vj)对应的边权,可以采用以下公式1来表征:
需要说明的是,由于第一节点可以为交通枢纽图中的任意一个节点,因此可以理解为针对交通枢纽图中的每一个节点都可以采用以上公式1进行计算,得到每一个节点与其相连的每一个节点之间的地理距离分布权重值。
所述第一节点为交通链路图中的节点,所述方法还包括:
基于所述第一节点与第二节点之间的连通关系,确定所述第一节点与第二节点之间的邻接约束关系,将所述邻接约束关系作为所述第一节点与第二节点之间的关系表征。
同样需要指出的是,第一节点可以为交通链路图中的任意一个节点,相应的,第二节点可以为一个或多个,第二节点为第一节点的相邻节点。
具体的,交通链路图以交通链路为中心的视角。交通链路图翻转了多模态交通网络中的顶点和边,以保留交通链路中的结构和内容信息。与交通枢纽图类似,将随时间变化的动态的多模态交通网络离散为一系列的图切片序列每一个切片/>表示第i时刻的交通网络状况。图2右图展示了交通链路图的例子,图2右图的每一个顶点都会有其对应的特征,包括随时间不变的静态属性(距离、道路级别)和动态特征(车辆平均速度、预估到达时间)。
考虑两个交通链路ei=(v1,v2)和ej=(v3,v4),其中,ei可以为第一节点,ej可以为除第一节点之外的任意一个节点;将图的邻接约束关系按照公式2表示,具体为:
基于上述公式,若多模态交通网络中的v2=v3的时候,从ei到ej会建立起一条有向边。这种方式保留了多模态交通网络中交通链路的结构信息。
从数学上来看,交通链路图是交通枢纽图在同一时间片上的边到顶点的对偶图。可以通过对偶图重建多模态交通网络。因此,构建好的多模态对偶路网图可以为后续的图表示学习保留原始多模态交通网络的时间动态性和结构完整性。
进一步地,不同时刻的交通枢纽和交通链路的状态都是空间和时间自相关的,充分考虑这些信息有助于学习更加优质的路线表征。例如,路段的拥挤不仅与其先前的交通状况相关,而且与其相邻路段的交通状况也具有一致性。为了通过模型来学习以保留这种时空自相关性,本申请提出上述方案,具体可以使用时空图神经网络,比如,可以包括一个从对偶路网图中捕获节点的非线性空间自相关的图卷积层,和一个通过多个时刻的对偶路网图捕获时间自相关的递归神经网络(RNN)层。
为了从多模态对偶路线图中有效地提取路线表征,提出了时空图神经网络模块。该模块包括两个部分:空间建模:利用图神经网络捕获空间自相关性;时间建模:利用递归神经网络来捕获时间自相关性。分别对应本实施例的S102以及S103,下面分别进行说明:
S102中,基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征,包括:
基于N个时刻中第t个时刻的对偶路网图中所述第一节点与第二节点之间的关系表征以及第二节点的d维表征进行求和计算后,与第一节点的d维表征进行拼接,将拼接的结果采用非线性激活函数进行计算,得到第t个时刻中第一节点与第二节点之间的空间相关性;其中,t为大于等于1且小于等于N的整数。
上述针对N个时刻中的第t个时刻的处理进行说明,第t个时刻为N个时刻中的任意一个时刻,换句话说,针对N个时刻的任意一个时刻均可以采用上述相同的处理方式进行处理,只是本实施例不再重复说明,仅针对其中的一个时刻的处理进行说明。
另外,相邻两个时刻时间(即第t个时刻以及第t-1个时刻之间)的间隔,可以根据实际情况进行设置,比如可以设置为15分钟、或1小时等等,不做穷举。
对于上述S102的具体处理中,可以考虑一个在t时刻的路网图Gt,令xi表示节点vi∈Gl的d维表征(也就是向量的维度是d);vi可以为对偶路网图中的交通枢纽图以及交通链路图的任意一个节点,这里将其先称为第一节点;相应的,xi即为第一节点的d维表征(或d维向量的表征)。
使用图神经网络分别在每一个时间片捕获空间自相关性,GNN将卷积神经网络推广到非欧氏图结构模型。具体可以为采用图卷积操作来得到第一节点的空间相关性表征,如下公式3所示:
其中,xi ′是更新后的节点表征即第一节点的空间相关性表征;
σ是一个非线性的激活函数;
cij为对应的第一节点与第二节点之间的关系表征(或可以称为边权或相邻约束);
Ws是可学习的参数矩阵,其在整体图Gt上参数共享;
||代表向量拼接操作,也就是将求和后的向量与xi的d为表征进行拼接;
Ni是图Gt上节点vi的邻接节点集合,或者,可以将其理解为与第一节点相邻的一个或多个第二节点组成的集合。
另外,如上述公式所示,还可以重复卷积l次来捕获l跳的空间相关性。
S103中,基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征,包括:
基于第一节点在N个时刻中第t-1个时刻的时空相关性、以及第一节点在N个时刻中第t个时刻的空间相关性,计算得到所述第一节点在N个时刻中第t个时刻的时空相关性。
需要指出的是,第t个时刻可以为N个时刻中的任意一个时刻;当t=1的时候,t-1=0,那么可以认为第1个时刻的时空相关性为基于第1个时刻的空间相关性得到的。当t大于1的任意一个时刻均可以采用以上处理得到该时刻的第一节点的时空相关性。
具体的,交通枢纽和交通链路的节点表征不仅与图上的相邻节点相关,而且还受其前一时刻的状态影响。本申请通过门控递归单元(GRU)扩展图神经网络,将图神经网络融入GRU模型用于时间自相关性建模。考虑一个节点vi(比如可以将该节点认为是第一节点)和其过去N个时刻的表征 是t时刻图卷积操作的输出。将t-1和t时刻vi(第一节点)的状态分别表示为/>(即第t-1个时刻的第一节点的时空相关性表征)和/>(第t个时刻的第一节点的时空相关性表征)。GRU操作定义如下:
需要理解的是,以上训练模型以及其对应的损失函数的设计,仅为一种示例,实际处理中,基于本申请S101-S103确定的时空相关性表征,还可以应用于更多的场景的模型构建处理中,只是这里不再进行穷举。
可见,通过采用上述方案,能够基于N个时刻中的包含有交通枢纽图以及交通链路图的对偶路网图,建立不同时刻下的每一个节点的时空相关性表征。通过该方法可以根据一组随时间变化的对偶路网图对节点进行时间以及空间相关性的表征,保证了建立节点的表征所考虑的信息更加完备,进而有利于后续的任务能够基于更加完备的节点表征进行更加符合需求的处理。
本申请实施例提供了一种信息表征装置,如图3所示,包括:
获取模块31,用于获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数;
空间相关性表征模块32,用于基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
时空相关性表征模块33,用于基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征。
其中,所述第一节点为交通枢纽图中的节点,在图3的基础上,如图4所示,所述装置还包括:
构建模块34,用于计算所述第一节点与第二节点之间的相似度距离;基于所述第一节点与第二节点的相似度距离以及距离的标准差,确定所述第一节点与第二节点之间的地理距离分布权重值,将地理距离分布权重值作为所述第一节点与第二节点之间的关系表征。
所述第一节点为交通链路图中的节点,构建模块34,用于基于所述第一节点与第二节点之间的连通关系,确定所述第一节点与第二节点之间的邻接约束关系,将所述邻接约束关系作为所述第一节点与第二节点之间的关系表征。
所述空间相关性表征模块32,用于基于N个时刻中第t个时刻的对偶路网图中所述第一节点与第二节点之间的关系表征以及第二节点的d维表征进行求和计算后,与第一节点的d维表征进行拼接,将拼接的结果采用非线性激活函数进行计算,得到第t个时刻中第一节点与第二节点之间的空间相关性表征;其中,t为大于等于1且小于等于N的整数。
所述时空相关性表征模块33,用于基于第一节点在N个时刻中第t-1个时刻的时空相关性、以及第一节点在N个时刻中第t个时刻的空间相关性表征,计算得到所述第一节点在N个时刻中第t个时刻的时空相关性表征。
可见,通过采用上述方案,能够基于N个时刻中的包含有交通枢纽图以及交通链路图的对偶路网图,建立不同时刻下的每一个节点的时空相关性表征。通过该方法可以根据一组随时间变化的对偶路网图对节点进行时间以及空间相关性的表征,保证了建立节点的表征所考虑的信息更加完备,进而有利于后续的任务能够基于更加完备的节点表征进行更加符合需求的处理。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示,是根据本申请实施例的信息表征方法的电子设备的框图。该电子设备可以为服务器或终端。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的信息表征方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息表征方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息表征方法对应的程序指令/模块(例如,附图4所示的获取模块、空间相关性表征模块、时空相关性表征模块、构建模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息表征方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息表征方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (4)
1.一种信息表征方法,包括:
获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数,所述交通枢纽图包括用于表示交通枢纽的顶点和用于表示链路的边,所述交通枢纽包括道路交叉口、公交站和地铁站,一组所述链路包括路段和公交线路,所述交通链路图为所述交通枢纽图在同一时间片上的边到顶点的对偶图;
基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征;
其中,所述第一节点为交通枢纽图中的节点,所述方法还包括:
计算所述第一节点与第二节点之间的相似度距离;
基于所述第一节点与第二节点的相似度距离以及距离的标准差,确定所述第一节点与第二节点之间的地理距离分布权重值,将地理距离分布权重值作为所述第一节点与第二节点之间的关系表征;
其中,所述第一节点为交通链路图中的节点,所述方法还包括:
基于所述第一节点与第二节点之间的连通关系,确定所述第一节点与第二节点之间的邻接约束关系,将所述邻接约束关系作为所述第一节点与第二节点之间的关系表征;
其中,基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征,包括:
基于N个时刻中第t个时刻的对偶路网图中所述第一节点与第二节点之间的关系表征以及第二节点的d维向量的表征进行求和计算后,与第一节点的d维向量的表征进行拼接,将拼接的结果采用非线性激活函数进行计算,得到第t个时刻中第一节点与第二节点之间的空间相关性表征;其中,t为大于等于1且小于等于N的整数;
其中,基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征,包括:
基于第一节点在N个时刻中第t-1个时刻的时空相关性表征、以及第一节点在N个时刻中第t个时刻的空间相关性表征,计算得到所述第一节点在N个时刻中第t个时刻的时空相关性表征,第t个时刻可以为N个时刻中的任意一个时刻。
2.一种信息表征装置,包括:
获取模块,用于获取N个时刻的对偶路网图;其中,所述对偶路网图包括交通枢纽图、以及交通链路图;其中,N为大于等于1的整数,所述交通枢纽图包括用于表示交通枢纽的顶点和用于表示链路的边,所述交通枢纽包括道路交叉口、公交站和地铁站,一组所述链路包括路段和公交线路,所述交通链路图为所述交通枢纽图在同一时间片上的边到顶点的对偶图;
空间相关性表征模块,用于基于N个时刻的对偶路网图中的第一节点与第二节点之间的关系表征,确定第一节点在N个时刻的空间相关性表征;其中,第一节点为交通枢纽图中的节点、或为交通链路图中的节点;所述第二节点为第一节点的相邻节点;
时空相关性表征模块,用于基于所述第一节点在N个时刻的空间相关性表征,确定所述第一节点在N个时刻中的时空相关性表征;
其中,所述第一节点为交通枢纽图中的节点,所述装置还包括:
构建模块,用于计算所述第一节点与第二节点之间的相似度距离;基于所述第一节点与第二节点的相似度距离以及距离的标准差,确定所述第一节点与第二节点之间的地理距离分布权重值,将地理距离分布权重值作为所述第一节点与第二节点之间的关系表征;
其中,所述第一节点为交通链路图中的节点,所述装置还包括:
构建模块,用于基于所述第一节点与第二节点之间的连通关系,确定所述第一节点与第二节点之间的邻接约束关系,将所述邻接约束关系作为所述第一节点与第二节点之间的关系表征;
其中,所述空间相关性表征模块,用于基于N个时刻中第t个时刻的对偶路网图中所述第一节点与第二节点之间的关系表征以及第二节点的d维向量的表征进行求和计算后,与第一节点的d维向量的表征进行拼接,将拼接的结果采用非线性激活函数进行计算,得到第t个时刻中第一节点与第二节点之间的空间相关性表征;其中,t为大于等于1且小于等于N的整数;
其中,所述时空相关性表征模块,用于基于第一节点在N个时刻中第t-1个时刻的时空相关性表征、以及第一节点在N个时刻中第t个时刻的空间相关性表征,计算得到所述第一节点在N个时刻中第t个时刻的时空相关性表征,第t个时刻可以为N个时刻中的任意一个时刻。
3. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1中所述的方法。
4.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589774.8A CN111753037B (zh) | 2020-06-24 | 2020-06-24 | 信息表征方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589774.8A CN111753037B (zh) | 2020-06-24 | 2020-06-24 | 信息表征方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753037A CN111753037A (zh) | 2020-10-09 |
CN111753037B true CN111753037B (zh) | 2023-06-27 |
Family
ID=72677169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589774.8A Active CN111753037B (zh) | 2020-06-24 | 2020-06-24 | 信息表征方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753037B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN108108854A (zh) * | 2018-01-10 | 2018-06-01 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111292549A (zh) * | 2020-02-03 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11093760B2 (en) * | 2017-08-26 | 2021-08-17 | Here Global B.V. | Predicting features on a road network with repeating geometry patterns |
-
2020
- 2020-06-24 CN CN202010589774.8A patent/CN111753037B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN108108854A (zh) * | 2018-01-10 | 2018-06-01 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111292549A (zh) * | 2020-02-03 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
Non-Patent Citations (2)
Title |
---|
Personalized and Situation-Aware Multimodal Route Recommendations: The FAVOUR Algorithm;Paolo Campigotto 等;IEEE Transactions on Intelligent Transportation Systems;第18卷(第1期);全文 * |
轨迹大数据:数据处理关键技术研究综述;高强 等;软件学报;第28卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753037A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7218805B2 (ja) | ソフトクロスエントロピー損失を用いたセマンティックセグメンテーション | |
WO2021218131A1 (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
CN109724611A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN113538235B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113739811B (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
CN110675635A (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
US20220207861A1 (en) | Methods, devices, and computer readable storage media for image processing | |
WO2023000261A1 (zh) | 一种区域交通的预测方法以及设备 | |
CN114238361A (zh) | 地图路网数据的更新方法、装置、电子设备和存储介质 | |
CN111709778B (zh) | 出行流量预测方法、装置、电子设备和存储介质 | |
CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
CN111753037B (zh) | 信息表征方法、装置、电子设备及存储介质 | |
CN113378769A (zh) | 图像分类方法和装置 | |
CN113657596A (zh) | 训练模型和图像识别的方法和装置 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
Ata et al. | Towards computer vision-based approach for an adaptive traffic control system | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |