CN111814288A - 一种基于信息传播图神经网络方法 - Google Patents
一种基于信息传播图神经网络方法 Download PDFInfo
- Publication number
- CN111814288A CN111814288A CN202010734856.7A CN202010734856A CN111814288A CN 111814288 A CN111814288 A CN 111814288A CN 202010734856 A CN202010734856 A CN 202010734856A CN 111814288 A CN111814288 A CN 111814288A
- Authority
- CN
- China
- Prior art keywords
- neural network
- propagation
- information
- information vector
- graph neural
- 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.)
- Granted
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于信息传播图神经网络方法,该基于信息传播图神经网络方法包括:建立用于表示内河航运网络的图神经网络,所述图神经网络包括各个顶点、各个顶点的连边关系和各个顶点的距离关系;用于表示流量向量的信息向量,所述信息向量可在所述图神经网络中传播;利用各个顶点的距离关系生成状态转移矩阵;通过利用状态转移矩阵和信息向量在各个顶点的随机游走生成信息向量在所述图神经网络中传播的稳态概率;基于所述稳态概率生成信息向量在所述图神经网络中的传播卷积公式,所述传播卷积公式用于表示信息向量在图神经网络中的传播情况。
Description
技术领域
本申请涉及图神经网络技术领域,具体为一种基于信息传播图神经网络方法。
背景技术
由于水路航道主要依赖于河流自身的体系,不能随意扩建,是有限资源,所以水路航道的合理管控,以提高航运效率就尤为重要。同时,交通流是随时间和空间变化的函数,短时交通流表现出很强的动态性、非线性、不确定性、周期性、非平稳性及空间相关性;现有工作中主要是基于卷积神经网络判断流量向量在内河航运网络中的时间相关性,并进行交通流预测;却没有判断流量向量在内河航运网络中的空间相关性。
申请内容(一)解决的技术问题
为解决以上问题,本申请提供了一种基于信息传播图神经网络方法。
二技术方案
为实现上述目的,本申请提供如下技术方案:一种基于信息传播图神经网络方法,包括:
建立用于表示内河航运网络的图神经网络,所述图神经网络包括各个顶点、各个顶点的连边关系和各个顶点的距离关系;
用于表示流量向量的信息向量,所述信息向量可在所述图神经网络中传播;
利用各个顶点的距离关系生成状态转移矩阵;
通过利用状态转移矩阵和信息向量在各个顶点的随机游走生成信息向量在所述图神经网络中传播的稳态概率;
基于所述稳态概率生成信息向量在所述图神经网络中的传播卷积公式,所述传播卷积公式用于表示信息向量在图神经网络中的传播情况。
优选地,确定所述图神经网络中的各个顶点距离关系的边权矩阵,取
D0=diag(W·1)
优选地,还包括重新出发概率α∈[0,1],所述重新出发概率α表示处于一个顶点的信息向量在所述图神经网络中传播到其他顶点的传播概率;通过处于任一顶点的信息向量在所述图神经网络中随机游走,然后结合状态转移矩阵得出信息向量在所述图神经网络中传播的稳态概率:
三有益效果
与现有技术相比,本申请的有益效果是:该基于信息传播图神经网络方法通过在图神经网络中结合状态转移矩阵、稳态概率得出传播卷积公式,并探讨传播卷积公式来有效判断信息向量在图神经网络中传播的空间相关性。
附图说明
附图用来提供对本申请的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请,并不构成对本申请的限制,在附图中:
图1示出了本申请的实施例基于信息传播图神经网络方法的流程图。
图中:100信息向量、110图神经网络、120状态转移矩阵、130稳态概率、140传播卷积公式。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参阅附图1,本申请实施例公开一种基于信息传播图神经网络方法,该基于信息传播图神经网络方法包括:
用于表示内河航运网络的图神经网络110,图神经网络110包括各个顶点、各个顶点的连边关系和各个顶点的距离关系;用于表示流量向量的信息向量100,信息向量100可在图神经网络110中传播;
具体的,图神经网络110以图G=(V,E,W)表示,其中V代表图神经网络110中各个顶点,|V|=N,表示在图神经网络110中存在N个顶点;E代表图神经网络110中各个顶点的直接连边关系;W∈RN×N代表图神经网络110中各个顶点的距离关系,即在本实施例中,用图神经网络110表示内河航运网络,V代表航道的交通流检测点,|V|=N,表示在航运网络中,对N个点的交通流信息感兴趣;E代表各个检测点之间是否有直接相连的航道,即(i,j)∈E,如果顶点i,j之间有直接的航道,即表示i,j之间是一段封闭的航段,由于航道网络中船舶是有向行驶的,所以航运网络图为有向图,即(i,j)代表由i到j的边;W∈RN×N代表航运网络中各个检测点之间的距离关系;W(i,j)代表由i沿航道行驶到达j所需要行驶的距离,如果i,j之间没有直接连边,则W(i,j)=0;信息向量100即表示在图神经网络110N个顶点在t时刻的信息;在本实施例中,信息向量100即为流量向量,即表示在航运网络中N个检测点在t时刻的流量,即每个检测点上的流量描述的是一个p维向量。
利用各个顶点的距离关系生成状态转移矩阵120;具体的,确定图神经网络110中的各个顶点距离关系的边权矩阵,取
D0=diag(W·1)
D0表示每个顶点的出度权重和,作为对角线的对角矩阵;
进一步地,通过利用状态转移矩阵120和信息向量100在各个顶点的随机游走生成信息向量100在图神经网络110中传播的稳态概率130;
还包括重新出发概率α∈[0,1],重新出发概率α表示处于一个顶点的信息向量100在图神经网络110中传播到其他顶点的传播概率,具体的,处于点v的信息向量100在图G中传播到其他点的传播概率,可以采用重新出发概率α∈[0,1]的随机游走来刻画,重新出发概率α的随机游走的方式如下:假设由v点出发进行随机游走,当前处于u,且上一步的位置为s,则
1.在这一步以α的概率重新从u点回到s点;
2.以1-α的概率从u点随机游走到u点的任一可达相邻的顶点:t∈N[u],转移的概率由u和t之间的转移概率决定;
通过处于任一顶点的信息向量100在图神经网络110中随机游走,然后结合状态转移矩阵120得出信息向量100在图神经网络110中传播的稳态概率130:
其中,k是达到稳态概率的迭代次数。
基于稳态概率130生成信息向量100在图神经网络110中的传播卷积公式140,传播卷积公式140用于表示信息向量100在图神经网络110中的传播情况。本实施例还包括卷积滤波函数fθ,基于稳态概率公式和卷积滤波函数fθ可得出传播卷积公式140:
在本实施例中,信息向量100X(t)∈RN×P即代表流量向量X(t)∈RN×P;通过在图神经网络110中结合状态转移矩阵120、稳态概率130得出传播卷积公式140,并通过传播卷积公式140来有效判断信息向量100在图神经网络110中传播的空间相关性,即为通过传播卷积公式140来判断流量向量在内河航运网络中各个检测点之间行驶的空间相关性。
还需要注意的是,卷积滤波函数根据信息向量100在图神经网络110中的分散情况不同具有不同的表现形式,具体如下:
当信息向量100X(t)与卷积滤波器参数θ为连续函数时,卷积滤波函数为:
当信息向量100X(t)与卷积滤波器参数θ为连续函数时,卷积滤波函数为:
其中,τ的范围取0-T,T称为卷积时间范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。
尽管已经示出和描述了本申请的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于信息传播图神经网络方法,其特征在于,包括:
用于表示内河航运网络的图神经网络,所述图神经网络包括各个顶点、各个顶点的连边关系和各个顶点的距离关系;
用于表示流量向量的信息向量,所述信息向量可在所述图神经网络中传播;
利用各个顶点的距离关系生成状态转移矩阵;
通过利用状态转移矩阵和信息向量在各个顶点的随机游走生成信息向量在所述图神经网络中传播的稳态概率;
基于所述稳态概率生成信息向量在所述图神经网络中的传播卷积公式,所述传播卷积公式用于表示信息向量在图神经网络中的传播情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734856.7A CN111814288B (zh) | 2020-07-28 | 2020-07-28 | 一种基于信息传播图神经网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734856.7A CN111814288B (zh) | 2020-07-28 | 2020-07-28 | 一种基于信息传播图神经网络方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814288A true CN111814288A (zh) | 2020-10-23 |
CN111814288B CN111814288B (zh) | 2023-08-08 |
Family
ID=72863953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010734856.7A Active CN111814288B (zh) | 2020-07-28 | 2020-07-28 | 一种基于信息传播图神经网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814288B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673749A (zh) * | 2021-07-28 | 2021-11-19 | 广东省科学院智能制造研究所 | 车辆行人地图轨迹预测方法及装置 |
TWI799171B (zh) * | 2021-11-24 | 2023-04-11 | 旺宏電子股份有限公司 | 採用三態內容尋址記憶體之圖神經網路的訓練方法及應用其之記憶體裝置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
US20180292825A1 (en) * | 2017-04-07 | 2018-10-11 | Nvidia Corporation | Performing autonomous path navigation using deep neural networks |
CN108804205A (zh) * | 2017-04-28 | 2018-11-13 | 英特尔公司 | 原子操作的智能线程分派和向量化 |
CN109948571A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种光学遥感图像船舶检测方法 |
CN110222839A (zh) * | 2019-05-10 | 2019-09-10 | 桂林电子科技大学 | 一种网络表示学习的方法、装置及存储介质 |
CN111159149A (zh) * | 2019-12-13 | 2020-05-15 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
US20200193623A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and apparatus for calculating depth map |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
-
2020
- 2020-07-28 CN CN202010734856.7A patent/CN111814288B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
US20180292825A1 (en) * | 2017-04-07 | 2018-10-11 | Nvidia Corporation | Performing autonomous path navigation using deep neural networks |
CN108804205A (zh) * | 2017-04-28 | 2018-11-13 | 英特尔公司 | 原子操作的智能线程分派和向量化 |
CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
US20200193623A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and apparatus for calculating depth map |
CN109948571A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种光学遥感图像船舶检测方法 |
CN110222839A (zh) * | 2019-05-10 | 2019-09-10 | 桂林电子科技大学 | 一种网络表示学习的方法、装置及存储介质 |
CN111159149A (zh) * | 2019-12-13 | 2020-05-15 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
YAN SHI 等: "A Survey of Hybrid Deep Learning Methods for Traffic Flow Prediction", pages 133 * |
范庆波 等: "基于PSO的BP神经网络-Markov船舶交通流量预测模型", pages 22 - 28 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673749A (zh) * | 2021-07-28 | 2021-11-19 | 广东省科学院智能制造研究所 | 车辆行人地图轨迹预测方法及装置 |
CN113673749B (zh) * | 2021-07-28 | 2023-11-21 | 广东省科学院智能制造研究所 | 车辆行人地图轨迹预测方法及装置 |
TWI799171B (zh) * | 2021-11-24 | 2023-04-11 | 旺宏電子股份有限公司 | 採用三態內容尋址記憶體之圖神經網路的訓練方法及應用其之記憶體裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN111814288B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549378B (zh) | 一种基于栅格地图的混合路径规划方法和系统 | |
Vasile et al. | Minimum-violation scLTL motion planning for mobility-on-demand | |
Han et al. | Fault-tolerant relay node placement in heterogeneous wireless sensor networks | |
CN112783169B (zh) | 一种路径规划方法、设备及计算机可读存储介质 | |
CN111814288A (zh) | 一种基于信息传播图神经网络方法 | |
Bejar et al. | Distributed constraint satisfaction in a wireless sensor tracking system | |
CN104457775A (zh) | 路径确定方法、装置和导航仪 | |
Kannan et al. | Predictive indoor navigation using commercial smart-phones | |
Liu et al. | Obstacle-avoidance minimal exposure path for heterogeneous wireless sensor networks | |
Zeng et al. | Robotic global path-planning based modified genetic algorithm and A* algorithm | |
Liu et al. | Warehouse‐Oriented Optimal Path Planning for Autonomous Mobile Fire‐Fighting Robots | |
Nam et al. | Robots in the huddle: Upfront computation to reduce global communication at run time in multirobot task allocation | |
CN108768472A (zh) | 一种临近空间高空平台空间-极化分集mimo信道建模方法 | |
Varposhti et al. | Distributed coverage in mobile sensor networks without location information | |
Aravinth et al. | A hybrid swarm intelligence based optimization approach for solving minimum exposure problem in wireless sensor networks | |
CN105959912A (zh) | 基于改进离散差分算法的汇聚节点定位方法 | |
Bretti et al. | An easy-to-use algorithm for simulating traffic flow on networks: Numerical experiments | |
Septiana et al. | Evaluation function effectiveness in Wireless Sensor Network routing using A-star algorithm | |
Fongen et al. | A military mobility model for manet research | |
Cortes et al. | Analysis and design tools for distributed motion coordination | |
Elizondo-Leal et al. | An exact euclidean distance transform for universal path planning | |
Fusic et al. | Autonomous vehicle path planning for smart logistics mobile applications based on modified heuristic algorithm | |
Häme et al. | Routing by ranking: A link analysis method for the constrained dial-a-ride problem | |
Gunathillake et al. | Decentralized time-based target searching algorithm using sensor network topology maps | |
US20240096073A1 (en) | Systems and methods for probabilistic consensus on feature distribution for multi-robot systems with markovian exploration dynamics |
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 |