CN111783262B - 一种基于层次化图神经网络的路网表征的学习方法 - Google Patents

一种基于层次化图神经网络的路网表征的学习方法 Download PDF

Info

Publication number
CN111783262B
CN111783262B CN202010555140.0A CN202010555140A CN111783262B CN 111783262 B CN111783262 B CN 111783262B CN 202010555140 A CN202010555140 A CN 202010555140A CN 111783262 B CN111783262 B CN 111783262B
Authority
CN
China
Prior art keywords
matrix
road
characterization
network
area
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
Application number
CN202010555140.0A
Other languages
English (en)
Other versions
CN111783262A (zh
Inventor
王静远
吴宁
潘达岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010555140.0A priority Critical patent/CN111783262B/zh
Publication of CN111783262A publication Critical patent/CN111783262A/zh
Application granted granted Critical
Publication of CN111783262B publication Critical patent/CN111783262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于层次化图神经网络的路网表征学习方法，包括：(1)初始化(2)构建结构区域建模模型(3)构建功能区域建模模型(4)利用反向更新算法对结构区域建模模型和功能区域建模模型进行参数更新，得到新的第一分配矩阵ASR和新的第二分配矩阵ARZ；(5)采用GCN网络来更新功能区域表征：(6)采用GCN网络更新结构区域表征：(7)基于更新后的结构区域表征来更新路段表征。本发明提供的基于层次化图神经网络的路网表征的学习方法，能够更好的提取和利用路网信息。

Description

一种基于层次化图神经网络的路网表征的学习方法
技术领域
本发明涉及轨迹数据挖掘技术领域，更具体的说是涉及一种基于层次化图神经网络的路网表征的学习方法。
背景技术
在早期的智慧城市研究，比如交通速度预测，位置预测，路径规划等，通常将路网数据作为时空数据的约束，使用标准的图数据结构来进行算法开发，近期的解决方案大多使用深度学习实现，其利用网络或者图表征学习的方式，来获得路网上节点的表示，这样就可以提取和利用道路的基本特征，从而改善下游如路径推荐任务的性能。
然而，路网是一个非常复杂的系统，现有的方法并不能有效的对路网进行表征，主要有如下三点：
首先路网有功能性的划分，不同区域的功能与重要性不同，先前研究采用的标准图神经网络并不能描述这种层次结构。
除此之外，随着城市区域的增大，路网尤其是干线的长度随之增加，典型的出神经网络并不能较好的处理这种长期关系。
最后，路网主要蕴含的是结构特征，然而下游任务所需的其他信息并不能简单地从网络结构所获得。
因此，如何提供一种更好地提取和利用底层路网信息的方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于层次化图神经网络的路网表征的学习方法，能够更好的提取和利用路网信息。
为了实现上述目的，本发明采用如下技术方案：
一种基于层次化图神经网络的路网表征学习方法，包括：
(1)初始化
确定所有路段所考虑的上下文嵌入特征；
将每一个上下文嵌入特征连接起来作为路段的上下文表征，得到所有路段的上下文表征的集合矩阵V；
基于上下文表征的集合矩阵V初始化路段表征NS；
(2)构建结构区域建模模型
基于结构区域的邻接矩阵AS和上下文表征的集合矩阵V，采用图注意力网络对路段重要性进行建模；
W1＝GAT(V，AS)；
其中，W1表示路段的重要性等级；
基于路段的重要性等级W1和预先获取的硬位置-区域映射矩阵M1计算第一分配矩阵ASR；
ASR＝softmax(M1⊙W1)；
基于第一分配矩阵ASR利用结构区域表征NR来拟合路段表征
Figure BDA0002543946170000021
Figure BDA0002543946170000022
其中，
Figure BDA0002543946170000023
基于拟合路段表征
Figure BDA0002543946170000024
重建邻接矩阵
Figure BDA0002543946170000025
Figure BDA0002543946170000026
使用交叉熵函数计算第一重建损失：
Figure BDA0002543946170000031
其中，AS[si，sj]代表路段si和路段sj之间实际上是否直接相连，若直接相连，则AS[si，sj]＝1，否则AS[si，sj]＝0；
Figure BDA0002543946170000032
代表预测路段si和路段Sj之间是否直接相连，若直接相连，则
Figure BDA0002543946170000033
否则
Figure BDA0002543946170000034
si和Sj代表不同的路段；
(3)构建功能区域建模模型
基于第一分配矩阵ASR和结构区域的邻接矩阵AS计算区域节点的加权邻接矩阵AR；
Figure BDA0002543946170000035
基于结构区域表征NR和加权邻接矩阵AR，利用GAT网络计算结构区域-功能区域关联矩阵M2；
M2＝GAT(NR，AR)；
基于结构区域-功能区域关联矩阵M2计算第二分配矩阵ARZ；
ARZ＝softmax(M2)；
基于第二分配矩阵ARZ和结构区域表征NR计算功能区域表征NZ；
Figure BDA0002543946170000036
基于功能区域表征NZ计算得到功能区域节点的邻接矩阵AZ；
Figure BDA0002543946170000037
其中，σ为超参数；
基于第一分配矩阵ASR、第二分配矩阵ARZ和功能区域表征NZ去拟合路段表征
Figure BDA0002543946170000041
Figure BDA0002543946170000042
基于路段表征
Figure BDA0002543946170000043
重建矩阵
Figure BDA0002543946170000044
Figure BDA0002543946170000045
基于结构区域的邻接矩阵AS和路段转移矩阵T计算联通矩阵C；
Figure BDA0002543946170000046
其中，λ为步长；
构建第二重建损失：
Figure BDA0002543946170000047
(4)利用反向更新算法对结构区域建模模型和功能区域建模模型进行参数更新，得到新的第一分配矩阵ASR和新的第二分配矩阵ARZ；
(5)采用GCN网络来更新功能区域表征：
Figure BDA0002543946170000048
Figure BDA0002543946170000049
Figure BDA00025439461700000410
其中，t代表网络层数；
Figure BDA00025439461700000411
gZR表示用来控制功能区域的表征到结构区域表征的信息流动的门向量；w1为可学习的第一参数向量；
(8)采用GCN网络更新结构区域表征：
Figure BDA00025439461700000412
Figure BDA00025439461700000413
Figure BDA00025439461700000414
其中，
Figure BDA0002543946170000051
gRS表示用来控制结构区域的表征到路段表征的信息流动的门向量；w2为可学习的第二参数向量；
(9)基于更新后的结构区域表征来更新路段表征：
Figure BDA0002543946170000052
优选的，获取的位置-区域映射矩阵M1的方法包括：
基于邻接矩阵AS和对角矩阵Ds计算拉普拉斯矩阵Ls；
计算拉普拉斯矩阵Ls的前ks个d'维特征向量，将特征向量组成矩阵U；
在矩阵U上使用标准K均值算法，得到位置-区域映射矩阵M1。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于层次化图神经网络的路网表征的学习方法，基于层次化图神经网络来学习路网的表征，既可以捕获路网的结构特征，也可以捕获其功能特征。模型可以捕获路网上远距离节点的远程依赖关系并且利用轨迹数据提取功能特征，相比于传统方案可以捕捉更多的信息，解决了现有表征模型存在的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的整体模型示意图；
图2为本发明提供的结构化区域和功能化区域可视化的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合具体技术细节对本发明的技术方案做进一步详细描述。
路段与一些上下文特征是紧密相关的，如果将这些辅助信息嵌入在路段中就可以得到带有上下文信息的路段表征。
在本发明提供的技术方案中，使用
Figure BDA0002543946170000061
来表示其上下文嵌入。给定路段si考虑五种上下文嵌入特征，包括路段ID，道路类别RT，车道数量LN，路段长度SL以及经纬度LL。将每一个上下文嵌入特征连接起来作为某路段的上下文表征。
Figure BDA0002543946170000062
这种方法还可以灵活的将更多特征加入进去，然后采用所有路段的上下文表征的集合矩阵V来初始化路段表征NS：
Figure BDA0002543946170000063
接下来建模结构区域，结构区域主要用于表征出于某些交通目的的本地连接模式。假设一个路段属于一个单一区域，并且不同的路段对应于一个区域中的不同重要性级别。
在本发明提供的技术方案中，采用经典的谱聚类算法来推测结构区域。通过拆分弱链接来进行图切割，从而使生成的簇团达到更紧密的连接状态。给定路段的邻接矩阵AS通过减去对角矩阵Ds来得出其拉普拉斯矩阵Ls，LS＝DS-AS。计算拉普拉斯矩阵Ls的前ks个d'维特征向量
Figure BDA0002543946170000064
得到由d'维特征向量组成的矩阵
Figure BDA0002543946170000065
在矩阵U上运行标准K均值算法，得到从位置到结构区域的硬映射，得到硬位置-区域映射矩阵
Figure BDA0002543946170000071
其中每个条目定义为：
Figure BDA0002543946170000072
在公式(3)中，s代表路段，r代表区域，如果路段s属于区域r，则M1[s，r]等于1。由于簇中不同路段的重要性并不相同，因此采用图注意力网络(GAT)对路段重要性评分进行建模，如下所示：
W1＝GAT(V，AS) (4)
将W1的列号设置为kR(即结构区域的数量)，并将每个潜在维度与唯一的结构区域相关联。W1中的列向量代表了路段的重要性等级。由于先前已经获得了硬位置-区域映射矩阵M1(公式(3))，将这两个矩阵相乘并得出结构区域中路段的软分配：
ASR＝softmax(M1⊙W1) (5)
采用ASR来关联区域表征与路段表征：
Figure BDA0002543946170000073
可以得到区域节点的加权邻接矩阵
Figure BDA0002543946170000074
Figure BDA0002543946170000075
第一分配矩阵ASR在联系路段表征NS与结构区域表征NR中起关键作用。但是，由于道路网络具有其自身的唯一特征，因此在没有适合的任务的监督信号的情况下，很难直接学习出ASR。上面我们采用谱聚类来预先构造区域节点。
在这里，本发明进一步提供了一种基于网络重构的增强型学习方法。核心思想是基于分配矩阵利用结构区域表征来拟合路段表征，并使用近似的路段表征重建路网。以如下的公式获得拟合路段表征
Figure BDA0002543946170000076
Figure BDA0002543946170000081
Figure BDA0002543946170000082
用于重建邻接矩阵
Figure BDA0002543946170000083
Figure BDA0002543946170000084
使用交叉熵函数用于计算重建损失：
Figure BDA0002543946170000085
其中，AS[si，sj]代表路段si和路段sj之间实际上是否直接相连，若直接相连，则AS[si，sj]＝1，否则等于0；
Figure BDA0002543946170000086
代表预测路段si和路段sj之间是否直接相连，若直接相连，则
Figure BDA0002543946170000087
否则等于0；si和sj代表不同的路段；
网络重建的主要优点是，它可以迫使ASR和NR从原始道路网络结构中学习有效的特征，并增强区域和路段之间的关联。
完成了结构区域的建模之后，对功能区域进行建模。功能区域是在功能相关的结构区域上构建出来的，旨在捕获重要的功能特征，即使对于不连续或较远的区域也是如此。
该技术中使用了类似公式6中采用了的策略，使用结构区域表征的线性组合来学习功能区域的表征。给定结构区域到功能区域的分配矩阵
Figure BDA0002543946170000088
其中每个条目ARZ[r，z]代表结构区域r到功能区域z的条件概率。将潜在维度与功能区域对齐，利用GAT网络得出ARZ：
ARZ＝softmax(M2) (11)
M2＝GAT(NR，AR) (12)
将功能区域表征设置为结构区域表征的线性组合:
Figure BDA0002543946170000089
有了NZ可以得到功能区域节点的邻接矩阵：
Figure BDA0002543946170000091
其中，σ是一个常量，通常设置为1.0。由于道路网本身主要反映结构特征，只包含非常有限的功能信息。因此，考虑使用真实的轨迹数据来捕获功能特征。为了利用轨迹数据，构造了一个路段转移矩阵
Figure BDA0002543946170000092
每一个T(λ)[si，sj]代表了在所有轨迹序列中路段si以步长λ到达路段Sj的频率，有了路段转移矩阵，就可以获得更新的联通矩阵
Figure BDA0002543946170000093
Figure BDA0002543946170000094
然后使用与公式8类似的方式，使用功能区域表征去拟合路段表征：
Figure BDA0002543946170000095
基于路段表征
Figure BDA0002543946170000096
重建矩阵
Figure BDA0002543946170000097
Figure BDA0002543946170000098
使用均方误差(MSE)来衡量真实矩阵与重构矩阵之间的误差：
Figure BDA0002543946170000099
各种节点嵌入NS，NR，NZ，分配矩阵ASR，ARZ和涉及的组件参数是模型参数，在每次迭代中，首先学习分配矩阵ASR，ARZ，针对学习ASR优化Loss1(公式10)中的损失，然后针对学习ARZ联合优化Loss1(公式10)和Loss2(公式18)。最后使用反向传播来更新模型的参数。当两个损失函数都下降到一定程度不再变化之后，停止训练，得到更新的分配矩阵ASR，ARZ。
在学习得到适当的ASR，ARZ矩阵之后，就可以将其应用到层次化更新机制中来了。注意，由于图神经网络会有多层，所以用t来代表层数，NZ的获得在前文已经叙述过了，这里就不再赘述。获得功能区域表征NZ之后，可以通过GCN来更新功能区域表征：
Figure BDA0002543946170000101
Figure BDA0002543946170000102
Figure BDA0002543946170000103
其中，t代表层数；
Figure BDA0002543946170000104
gZR表示用来控制功能区域表示到结构区域表示信息流动的门向量；w1为可学习的第一参数向量；在完成了功能区域表示的更新之后，就可以开始进行结构区域表示的更新了:
Figure BDA0002543946170000105
Figure BDA0002543946170000106
Figure BDA0002543946170000107
其中，
Figure BDA0002543946170000108
gRS表示用来控制结构区域表示到路段表示信息流动的门向量；w2为可学习的第二参数向量；
完成功能区域表示的更新之后，就可以开始进行路段表征的更新了：
Figure BDA0002543946170000109
将更新好的
Figure BDA00025439461700001010
应用到基于路网的各类下游任务上了，比如路径规划，位置预测，终点预测，以及路段标签预测。
下面结合具体实验结果来对本发明的技术方案做进一步阐述。
使用北京，成都，西安三大城市的出租车数据和路网数据进行实验。三个数据集的轨迹数据均包含了一个月时间，一万辆出租车的所有轨迹。基于这些数据，验证了本发明提出的模型在四个任务上的有效性，分别是位置预测，路径规划，路段标签预测以及终点预测。
图2(a)和(b)是学习得到的结构化区域的可视化。这两个图充分反映了本发明提供的模型学习得到的结构化区域的合理性，有的结构化区域由主干道构成，承担联通的作用，有的结构化区域包含若干小区，商业区，是某个大功能区的一部分。
图2(c)和(d)是学习得到的结构化区域的可视化。图中有三个功能区，分别是二环交通功能区，三环交通功能区，和以海淀为中心的教育功能区。
图2(e)是相似路段的空间分布可视化，可以看到，HRNR模型(基于图神经网络的层次化路网表示模型)可以让红色的目标路段获得更多的相似路段，而GAT模型只能让红色的目标路段周围非常少的路段与之相似。
另外，经过实验可知，首先，本发明提出的模型在北京出租车，西安出租车以及北京自行车三个数据集和四个基于路网的下游任务上都显著强于其它模型。实验结果显示了本发明提供的模型非常适合建模路网。
第二，传统的图神经网络在实验中表现的结果比图表示学习要好，而建模了图上长期依赖的图神经网络相比普通的图神经网络会更适合路网数据。
最后，提出的层次化神经网络模型和两个训练任务有效地捕获了路网数据中的层次结构，包括结构化区域和功能区域，从而捕获了路网结构中的长距离依赖特性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种基于层次化图神经网络的路网表征的学习方法，其特征在于，包括：
(1)初始化
确定所有路段所考虑的上下文嵌入特征；
将每一个上下文嵌入特征连接起来作为路段的上下文表征，得到所有路段的上下文表征的集合矩阵V；
基于上下文表征的集合矩阵V初始化路段表征NS；
(2)构建结构区域建模模型
基于结构区域的邻接矩阵AS和上下文表征的集合矩阵V，采用图注意力网络对路段重要性进行建模；
W1＝GAT(V，AS)；
其中，W1表示路段的重要性等级；
基于路段的重要性等级W1和预先获取的硬位置-区域映射矩阵M1计算第一分配矩阵ASR；
ASR＝softmax(M1⊙W1)；
基于第一分配矩阵ASR利用结构区域表征NR来拟合路段表征
Figure FDA0002543946160000011
Figure FDA0002543946160000012
其中，
Figure FDA0002543946160000013
基于拟合路段表征
Figure FDA0002543946160000014
重建邻接矩阵
Figure FDA0002543946160000015
Figure FDA0002543946160000016
使用交叉熵函数计算第一重建损失：
Figure FDA0002543946160000017
其中，AS[si，sj]代表路段si和路段sj之间实际上是否直接相连，若直接相连，则AS[si，sj]＝1，否则AS[si，sj]＝0；
Figure FDA0002543946160000021
代表预测路段si和路段sj之间是否直接相连，若直接相连，则
Figure FDA0002543946160000022
否则
Figure FDA0002543946160000023
si和sj代表不同的路段；
(3)构建功能区域建模模型
基于第一分配矩阵ASR和结构区域的邻接矩阵AS计算区域节点的加权邻接矩阵AR；
Figure FDA0002543946160000024
基于结构区域表征NR和加权邻接矩阵AR，利用GAT网络计算结构区域-功能区域关联矩阵M2；
M2＝GAT(NR，AR)；
基于结构区域-功能区域关联矩阵M2计算第二分配矩阵ARZ；
ARZ＝softmax(M2)；
基于第二分配矩阵ARZ和结构区域表征NR计算功能区域表征NZ；
Figure FDA0002543946160000025
基于功能区域表征NZ计算得到功能区域节点的邻接矩阵AZ；
Figure FDA0002543946160000026
其中，σ为超参数；
基于第一分配矩阵ASR、第二分配矩阵ARZ和功能区域表征NZ去拟合路段表征
Figure FDA0002543946160000027
Figure FDA0002543946160000031
基于路段表征
Figure FDA00025439461600000314
重建矩阵
Figure FDA0002543946160000032
Figure FDA0002543946160000033
基于结构区域的邻接矩阵AS和路段转移矩阵T计算联通矩阵C；
Figure FDA0002543946160000034
其中，λ为步长；
构建第二重建损失：
Figure FDA0002543946160000035
(4)利用反向更新算法对结构区域建模模型和功能区域建模模型进行参数更新，得到新的第一分配矩阵ASR和新的第二分配矩阵ARZ；
(5)采用GCN网络来更新功能区域表征：
Figure FDA0002543946160000036
Figure FDA0002543946160000037
Figure FDA0002543946160000038
其中，t代表网络层数；
Figure FDA0002543946160000039
gZR表示用来控制功能区域的表征到结构区域表征的信息流动的门向量；w1为可学习的第一参数向量；
(6)采用GCN网络更新结构区域表征：
Figure FDA00025439461600000310
Figure FDA00025439461600000311
Figure FDA00025439461600000312
其中，
Figure FDA00025439461600000313
表示用来控制结构区域的表征到路段表征的信息流动的门向量；w2为可学习的第二参数向量；
(7)基于更新后的结构区域表征来更新路段表征：
Figure FDA0002543946160000041
2.根据权利要求1所述的一种基于层次化图神经网络的路网表征的学习方法，其特征在于，获取的位置-区域映射矩阵M1的方法包括：
基于邻接矩阵AS和对角矩阵Ds计算拉普拉斯矩阵Ls；
计算拉普拉斯矩阵Ls的前ks个d′维特征向量，将特征向量组成矩阵U；
在矩阵U上使用标准K均值算法，得到位置-区域映射矩阵M1。
CN202010555140.0A 2020-06-17 2020-06-17 一种基于层次化图神经网络的路网表征的学习方法 Active CN111783262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010555140.0A CN111783262B (zh) 2020-06-17 2020-06-17 一种基于层次化图神经网络的路网表征的学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010555140.0A CN111783262B (zh) 2020-06-17 2020-06-17 一种基于层次化图神经网络的路网表征的学习方法

Publications (2)

Publication Number Publication Date
CN111783262A CN111783262A (zh) 2020-10-16
CN111783262B true CN111783262B (zh) 2022-10-18

Family

ID=72757341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010555140.0A Active CN111783262B (zh) 2020-06-17 2020-06-17 一种基于层次化图神经网络的路网表征的学习方法

Country Status (1)

Country Link
CN (1) CN111783262B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128381A (zh) * 2021-04-06 2021-07-16 浙江吉利控股集团有限公司 障碍物轨迹预测方法、系统及计算机存储介质
CN114463977B (zh) * 2022-02-10 2023-06-23 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110675623A (zh) * 2019-09-06 2020-01-10 中国科学院自动化研究所 基于混合深度学习的短时交通流量预测方法、系统、装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111161535A (zh) * 2019-12-23 2020-05-15 山东大学 基于注意力机制的图神经网络交通流量预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110675623A (zh) * 2019-09-06 2020-01-10 中国科学院自动化研究所 基于混合深度学习的短时交通流量预测方法、系统、装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111161535A (zh) * 2019-12-23 2020-05-15 山东大学 基于注意力机制的图神经网络交通流量预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hierarchical Graph Representation Learning with Differentiable Pooling;Rex Ying 等;《arxiv.org》;20190220;全文 *
Learning Effective Road Network Representation with Hierarchical Graph Neural Networks;Ning Wu 等;《KDD "20: Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining》;20200820;全文 *

Also Published As

Publication number Publication date
CN111783262A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
CN110648527B (zh) 一种基于深度学习模型的交通速度预测方法
CN111783262B (zh) 一种基于层次化图神经网络的路网表征的学习方法
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN110009257B (zh) 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型
CN114299723B (zh) 一种交通流量预测方法
CN112466117A (zh) 基于深度时空残差网络的路网短时交通流预测方法
CN111710162B (zh) 一种城市路网交通运行状况监测方法及系统
CN115691137B (zh) 一种基于因果马尔科夫模型的多模态数据预测方法
CN112071062A (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
Shao et al. The Traffic Flow Prediction Method Using the Incremental Learning‐Based CNN‐LTSM Model: The Solution of Mobile Application
CN114021809A (zh) 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
CN115660135A (zh) 基于贝叶斯方法和图卷积的交通流预测方法及系统
CN112927505A (zh) 一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法
CN115204477A (zh) 一种上下文感知图递归网络的自行车流量预测方法
CN115169714A (zh) 城市地铁进出站客流量预测方法
CN115691167A (zh) 一种基于交叉口全息数据的单点交通信号控制方法
CN116166975A (zh) 一种基于图神经网络的多图分级路网表征方法
CN110021168B (zh) 一种车联网下实现实时智能交通管理的分级决策方法
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN116993391A (zh) 一种站点式共享单车系统使用需求预测方法
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
Liu et al. Co-prediction of multimodal transportation demands with self-learned spatial dependence
CN116258253A (zh) 一种基于贝叶斯神经网络的车辆od预测方法
CN115630211A (zh) 一种基于时空约束的交通数据张量补全方法

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