CN112465253A - 一种城市路网中的链路预测方法及装置 - Google Patents
一种城市路网中的链路预测方法及装置 Download PDFInfo
- Publication number
- CN112465253A CN112465253A CN202011426947.0A CN202011426947A CN112465253A CN 112465253 A CN112465253 A CN 112465253A CN 202011426947 A CN202011426947 A CN 202011426947A CN 112465253 A CN112465253 A CN 112465253A
- Authority
- CN
- China
- Prior art keywords
- urban
- attribute
- functional network
- road network
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000008092 positive effect Effects 0.000 claims description 4
- 241001181114 Neta Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于城市交通技术领域,尤其涉及一种城市路网中的链路预测方法及装置;所述方法包括采集城市路网数据集,计算各个城市地点的属性值;利用云模型将各个属性值划分为类簇,得到该属性对城市节点之间是否建立链路连接的二分类结果,并计算出各个属性对于二分类标签的确定度;以二分类结果来计算出相关联的两个属性的频繁二项集,以构建二层泛函网络模型结构;对二层泛函网络模型进行训练,采用最小二乘法让目标损失函数达到最小;将待测的城市路网数据输入到训练后的二层泛函网络模型中,输出该城市路网中两个城市地点之间是否产生道路的二分类标签;本发明克服了复杂网络结构的高度依赖性,优化链路预测效果,从而提高了其预测准确性。
Description
技术领域
本发明属于城市交通技术领域,尤其涉及一种城市路网中的链路预测方法及装置。
背景技术
随着城市化的发展,城市交通路网结构因交通模式、自然条件、人口区域分布、演化阶段及发展水平的不同会产生明显差异,经济技术的发展时刻改变着路网结构,城市道路交通路网(以下简称“路网”)演化会变得越来越复杂。路网的复杂演化加大了城市道路规划的决策难度,如果道路规划不合理,就会导致路网资源无法合理分配,甚至有可能阻碍城市化发展。
20世纪以来,随着“小世界网络”与“无标度网络”研究的兴起,城市路网可以作为一种网络建模工具,进而对路网进行建模,城市路网的链路预测则为研究路网的演化方向提供了可行的解决方案。目前,链路预测在朋友圈好友推荐以及探究蛋白质相互作用实验领域取得了成功。以路网为例,对未知链路的预测或者对未来链路的预测本质上是对路网的演化方向的预测,也是对路网拓扑结构的数据挖掘过程。
目前,大致可以分为两种链路预测的方法:第一种是基于传统方法的链路预测技术,主要利用节点间的相似性进行预测,使用节点之间的联系来衡量它们的相似性,以此进行连边的学习和预测;第二种方法是基于深度学习的链路预测,主要通过图神经网络对城市路网进行道路预测,通过对节点的嵌入执行卷积运算来描述节点的嵌入,例如中国专利CN108108854A中提出了一种城市路网链路预测方法、系统及存储介质,该专利通过构建出路网的邻接矩阵,根据所述邻接矩阵得到Katz相似度矩阵,将所述Katz相似度矩阵进行归一化后使用多层非线性自动编码器对其进行网络表征学习,得到网络表征向量,根据所述网络表征向量解码重建邻接矩阵,并根据所述重建邻接矩阵进行路网的链路预测;但是上述专利所采用的深度学习模型存在不可控的问题,因此需要综合考虑模型效果和模型可控性的问题,以达到有效的链路预测。
发明内容
基于现有技术存在的问题,本发明考虑到在泛函网络基础上,通过序惯三支决策区分出边界内的链路预测分类数据,则不仅能提高二层泛函网络模型预测出的链路效果的同时,让其具有真实性和可控性,并且能够获得更好的预测效果。
为了提高城市路网中的链路预测准确率且使预测模型具有真实性和可控性,本发明提供如下技术方案以解决上述技术问题:
在本发明的第一方面,本发明提供了一种城市路网中的链路预测方法,所述链路预测方法包括以下步骤:
采集城市路网数据集,并计算出城市路网中各个城市地点的属性值;
利用云模型将各个属性值划分为类簇,得到该属性对城市节点之间是否建立链路连接的二分类结果,并计算出各个属性对于二分类标签的确定度;
以所述二分类结果来计算出相关联的两个属性的频繁二项集,以构建二层泛函网络模型结构;
将二分类标签的确定度输入到所述二层泛函网络模型中,并对所述二层泛函网络模型进行训练,采用最小二乘法让目标损失函数达到最小;
将待测的城市路网数据输入到训练后的二层泛函网络模型中,输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
在本发明的第二方面,本发明还提供了一种城市路网中的链路预测装置,所述链路预测装置包括:
数据采集模块,用于采集城市路网数据;
属性计算模块,用于计算出城市路网中各个城市地点的属性值;
云模型分类模块,用于将各个属性值划分为类簇,并得到该属性对城市节点之间是否建立链路连接的二分类结果;
确定度计算模块,用于计算出属性的确定度;
二层泛函网络模型模块,用于二分类结果构建出预测模型,以属性的确定度进行训练,并预测出城市路网中两个城市地点之间是否产生道路的二分类标签。
本发明的有益效果:
本发明基于Apriori算法构造泛函网络结构,使其具有预测的结果真实有效,更能适应路网链路的预测,本发明不仅能提高准确性,而且克服了复杂网络结构的高度依赖性;本发明在二层泛函网络模型结构中的神经元的连接方式上进行了改进,将云模型中的类簇对应值作为输入层神经元的输入,将频繁二项集结果作为中间层神经元的输入,将其他不属于频繁二项集的神经元将作为输出层神经元的输入,本发明通过云模型获取城市各个地点的属性值,充分地在输入层神经元中学习到城市地点的属性;能够更为准确地描述其在城市路网中的特征分布以及对道路链路预测结果的影响程度。本发明还可以充分运用序惯三支决策的核心思想,通过α=-β设定出边界阈值,得到边界内数据,帮助优化二层泛函网络模型对于城市路网中的城市节点之间的链路预测效果。
附图说明
图1为本发明实施例中的一种城市路网的链路预测方法流程图;
图2为本发明采用的二层泛函网络模型结构;
图3为本发明优选实施例中的一种城市路网的链路预测方法流程图;
图4为本发明采用的基于序惯三支决策的泛函网络模型;
图5为本发明实施例中的一种城市路网的链路预测装置结构图;
图6为本发明优选实施例的一种城市路网的链路预测装置结构图。
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。
本发明主要用于城市路网中对城市地点是否构建链路连接进行预测,主要包括通过已有的城市路网、城市节点以及结构信息,预测城市路网中两个城市节点之间产生连边的可能性,包括预测未来可能产生的连边或者已经产生但是尚未发现的连边;本发明利用云模型对属性进行归一化,用以在二层泛函网络模型前的预测过程中定义各个属性的重要性;利用Apriori算法构建二层泛函网络模型中神经元之间的连接方式;根据序惯三支决策理论筛选出边界内的数据,从而优化二层泛函网络模型预测效果;当模型训练结束,通过将二层泛函网络模型和三层泛函网络模型进行拼接作为最终预测结果。
图1是本发明实施例中的一种城市路网的链路预测方法流程图,如图1所述,所述链路预测方法包括以下步骤:
S101、采集城市路网数据集,并计算出城市路网中各个城市地点的属性值;
采集城市路网数据集,包括各个城市节点以及城市节点之间的结构关系,假设城市路网以一个无向连通图G=(V,E)进行表示,V表示城市路网G中的所有城市节点的集合,E为城市节点之间的边集合。
在本实施例中,利用城市路网中各个属性的计算公式计算出各个地点对应的属性值。如:地点的出度,入度,共同邻居,聚类系数等,具体属性见表1。
表1城市路网中各个地点的11个属性
可以理解的是,城市地点的属性值可以不限于本实施例提供的这11个属性值,本领域技术人员可以根据实际需要选择更符合当地城市路网的属性值。
S102、利用云模型将各个属性值划分为类簇,得到该属性对城市节点之间是否建立链路连接的二分类结果,并计算出各个属性对于二分类标签的确定度;
由于在属性分类阶段,为了后续采用算法计算频繁项集,所以本发明需要首先对城市节点的属性进行二分类,假设所有属性都满足正态分布,利用正向高斯云模型算法获得属性的分布特征,即获得2个云滴聚集簇(一簇表示对城市节点之间建立有链路连接有积极作用,另一簇表示对城市节点之间不建立链路连接有积极作用),因此得到每个聚集簇的参数,包括期望Ex,熵En和超熵He。
然后利用每个聚集簇的参数构建出正向云发生器,通过比较数据对于每个聚集簇的隶属度确定数据的影响度,本实施例采用云模型描述属性属于某个概念类j的确定性程度A,其具体计算公式:
其中,Ex表示概念j对产生道路的积极或消极影响的基本确定度量,Enj描述概念j对产生道路的积极或消极影响的不确定度量,Hej代表熵的不确定度量,描述属性i属于概念j对产生道路的积极或消极影响的确定程度。
本发明使用云模型对所述城市地点各个属性值进行归一化操作,即通过比较数据对于城市每个地点属性的聚集簇的隶属度确定其对两城市地点之间是否产生道路的影响度A,所述影响度即可以表征所述二分类标签的确定度。
本发明所采用的Apriori算法是第一个关联规则挖掘算法,也是最经典的算法。它利用逐层搜索的迭代方法找出数据库中项集的关系,以形成规则,其过程由连接(类矩阵运算)与剪枝(去掉那些没必要的中间结果)组成。该算法中项集的概念即为项的集合。包含K个项的集合为k项集。项集出现的频率是包含项集的事务数,称为项集的频率。如果某项集满足最小支持度,则称它为频繁项集。
在一些优选实施例中,在计算出各个属性对于二分类标签的确定度之前,还包括使用云模型对所述属性值进行归一化操作;由于所有输入属性值的范围不一致,因此在确定度之前,应首先对其进行标准化。假设所有属性都满足正态分布,统一选择第二类簇作为归一化的标准将每个属性值细化为[0,1]之间数值,使用属于属性的确定度来表示原始数据。
S103、以所述二分类结果来计算出相关联的两个属性的频繁二项集,以构建二层泛函网络模型结构;
本实施例中,为了构建可解释的预测模型结构,本发明利用Apriori算法找出属性之间的关联规则,并引导预测网络中神经元之间的连接方式,以此构建两层泛函网络模型结构,所述二层泛函网络模型即为本发明的预测网络,本发明正是通过Apriori算法计算出频繁二项集来构建出二层泛函网络模型。
具体步骤:根据g(xi,xj)=fi(xi)fj(xj),(i,j)∈M2计算频繁二项集,其中x表示属性值,相关联的两个属性i和j构成频繁二项集M2;xi表示属性i的属性值,其中fi(xi)表示泛函网络中所选择的基函数;如图2所示,一些属性可以构造频繁二项集,而一些则不能。将获得的频繁二项集结果作为中间层神经元的输入,其他不属于频繁二项集的神经元将作为输出层神经元的输入。
总而言之,本发明中的二层泛函网络模型中的神经元包括输入层神经元、中间层神经元和输出层神经元;将云模型中的类簇中的对应值,本实施例中采用第二类簇的值作为所述输入层神经元的输入;根据获得的频繁二项集M2结果将作为中间层中神经元的输入,其他不属于频繁二项集的神经元将作为输出层神经元的输入。
本实施例中,由于所有输入属性值的范围不一致,因此在计算损失函数之前,应首先对其进行标准化。假设所有属性都满足正态分布,统一选择第二类簇作为归一化的标准将每个属性值细化为[0,1]之间数值,使用属于属性的确定度来表示原始数据。
S104、将二分类标签的确定度输入到所述二层泛函网络模型中,并对所述二层泛函网络模型进行训练,采用最小二乘法让目标损失函数达到最小;
其中y(k)表示真实的标签值。利用最小二乘法计算预测结果与真实标签之间的差距,将其作为模型的损失值,为了得到最优的参数值,需要最小化损失函数:
为了保证模型网络结构唯一性,需要加一个限制条件到损失函数中,得到:
其中,Qλ表示训练二层泛函网络模型所采用的目标损失函数;y(k)表示第k个是否有路的真实的标签值;p表示城市路网中的道路数量;wi表示第i个输入层神经元的参数,I表示输入层神经元的个数;φi表示泛函网络所选取的基函数;xk表示输入各个城市地点的第k个属性值;gj表示频繁二项集的函数;m2表示频繁二项集;λ表示泛函网络的权重约束。
对Qλ中的w和λ分别求偏导,得到:
其中,ek表示第k个标签值的误差值,p表示标签总数;令整个偏导为0,联立方程组进行求解参数,在保证总体训练数据的总损失值最小的情况下求解泛函网络第一层神经元即输入层神经元的参数向量w,获得训练完成后的二层泛函网络模型。本发明所采用的方法运行简单且只需要学习一次,不需要反馈,收敛速度快。
进一步地,利用训练阶段学习到的不同属性的参数wi代入到对应输入层的神经元函数内,当需要对城市路网数据集的属性数据进行测试时,只需要带入二层泛函网络模型中进行计算y标签值即可,其值为正即表示城市节点之间有道路,否则城市节点之间无道路。
S105、将待测的城市路网数据输入到训练后的二层泛函网络模型中,输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
为优化二层泛函网络准确率,本实施例提出基于序惯三支决策的泛函网络模型,在步骤S101~S104的基础上,图3给出了本发明优选实施例的一种城市路网的链路预测方法流程图,如图3所示,所述预测方法还包括:
步骤S205、将待测的城市路网数据输入到训练后的二层泛函网络模型中并输出至序惯三支决策模型中;
步骤S206、将预测边界外的预测结果直接输出;将预设边界内的不确定的预测结果输入到三层泛函网络模型中进行预测,输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
具体的,利用序惯三支决策理论,在设定阈值的前提下,对二层泛函网络模型训练结果进行评判,设定阈值α=-β=0.1用于找出边界内的数据,即输出层神经元-0.1≤y≤0.1的数据为边界内数据。边界内的结果为不确定的模糊值,边界外的结果为预测的确定值,如图4所示的模型,将边界内不确定的值放在三层泛函网络模型中进行下一步训练和预测。其详细步骤类似二层泛函网络模型,不同的是三层泛函网络模型对应的Apriori算法为频繁三项集,其损失函数为:
进一步地,为综合两种泛函网络模型,利用二层泛函网络预测整体的测试数据,通过序惯三支决策理论筛选出边界内数据,利用三层泛函网络预测边界内的数据,得到最终分类结果,并对该模型整体进行性能评估。
本实施例中,为综合两种泛函网络模型,利用二层泛函网络预测整体的测试数据,通过序惯三支决策理论筛选出边界内数据,利用三层泛函网络预测边界内的数据,得到最终分类结果,并对该模型整体进行性能评估。
图5是本发明实施例的的一种城市路网中的链路预测装置结构图,如图5所示,所述链路预测装置包括:
数据采集模块,用于采集城市路网数据;
属性计算模块,用于计算出城市路网中各个城市地点的属性值;
云模型分类模块,用于将各个属性值划分为类簇,并得到该属性对城市节点之间是否建立链路连接的二分类结果;
确定度计算模块,用于计算出属性的确定度;
二层泛函网络模型模块,用于根据二分类结果构建出预测模型,以属性的确定度进行训练,并预测出城市路网中两个城市地点之间是否产生道路的二分类标签。
在一些优选实施例中,图6给出了本发明优选实施例的一种城市路网的链路预测装置结构图,如图6所示,所述链路预测装置还包括序惯三支决策模块和三层泛函网络模型模块,所述序惯三支决策模块的输入端连接所述二层泛函网络模型模块的输出端,所述序惯三支决策模块的输出端连接所述三层泛函网络模型模块的输入端,并通过所述三层泛函网络模型模块的输出端输出最终的城市路网中两个城市地点之间是否产生道路的二分类标签。
目前已有的链路预测方法很少有兼顾准确率的同时让模型具有可解释性;作为可解释的模型,泛函网络是标准神经网络的最新替代品,和神经网络的黑盒对比,泛函网络模型好比一个白盒;使用关联算法在计算神经元时进行聚合计算,以很好地定义神经元之间的连接,以此提出了一种新颖的泛函网络框架;在将属性输入泛函网络之前,通过云模型准备属性以定义其重要性;利用序惯三支决策对阈值内的样本进行处理以不断地优化二层泛函网络模型;加快了训练的收敛速度,提高了预测的效果。
本发明通过泛函网络模型克服了复杂网络结构的高度依赖性,优化了链路预测的效果,另外本发明采用序惯三支决策的方式进行处理,能够进一步的提高链路预测的准确率。
可以理解的是,本发明的预测方法和预测装置属于同一发明构思,可以通过所述预测装置实现所述预测方法,因此,其对应的技术特征可以相互引用,本发明不再一一例举。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明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,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种城市路网中的链路预测方法,其特征在于,所述链路预测方法包括以下步骤:
采集城市路网数据集,并计算出城市路网中各个城市地点的属性值;
利用云模型将各个属性值划分为类簇,得到该属性对城市节点之间是否建立链路连接的二分类结果,并计算出各个属性对于二分类标签的确定度;
以所述二分类结果来计算出相关联的两个属性的频繁二项集,以构建二层泛函网络模型结构;
将二分类标签的确定度输入到所述二层泛函网络模型中,并对所述二层泛函网络模型进行训练,采用最小二乘法让目标损失函数达到最小;
将待测的城市路网数据输入到训练后的二层泛函网络模型中,输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
2.根据权利要求1所述的一种城市路网中的链路预测方法,其特征在于,得到所述属性的二分类结果包括利用正向高斯云模型算法得到每个类簇的期望Ex,熵En和超熵He从而获得各个城市地点的属性的分布特征,获得第一类簇和第二类簇,所述第一类簇表示对城市节点之间建立链路有积极作用的分类,所述第二类簇表示对城市节点之间不建立链路有积极作用的分类。
3.根据权利要求1所述的一种城市路网中的链路预测方法,其特征在于,所述计算出各个属性对于二分类标签的确定度包括使用云模型对所述城市地点各个属性值进行归一化操作,即通过比较数据对于城市每个地点属性的聚集簇的隶属度确定其对两城市地点之间是否产生道路的影响度A。
4.根据权利要求1所述的一种城市路网中的链路预测方法,其特征在于,所述二层泛函网络模型结构的构建方式包括计算出归一化后的相关联的两个属性的频繁二项集,将云模型中的类簇中的对应值作为输入层神经元的输入,根据计算出的频繁二项集结果作为中间层神经元的输入,将其他不属于频繁二项集的神经元将作为输出层神经元的输入。
5.根据权利要求3或4所述的一种城市路网中的链路预测方法,其特征在于,所述泛函网络模型结构中输入层神经元的输入为云模型中的第二类簇中的对应值。
7.根据权利要求1所述的一种城市路网中的链路预测方法,其特征在于,所述方法还包括利用序惯三支决策对所述二层泛函网络模型输出的预测结果进行划分,将预测边界外的预测结果直接输出;将预设边界内的不确定的预测结果输入到三层泛函网络模型中进行预测,输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
8.根据权利要求1所述的一种城市路网中的链路预测方法,其特征在于,所述三层泛函网络模型的构建过程包括以属性的确定度来计算出相关联的三个属性的频繁三项集,构建出三层泛函网络模型结构。
9.一种城市路网中的链路预测装置,其特征在于,所述链路预测装置包括:
数据采集模块,用于采集城市路网数据;
属性计算模块,用于计算出城市路网中各个城市地点的属性值;
云模型分类模块,用于将各个属性值划分为类簇,并得到该属性对城市节点之间是否建立链路连接的二分类结果;
确定度计算模块,用于计算出属性的确定度;
二层泛函网络模型模块,用于根据二分类结果构建出预测模型,以属性的确定度进行训练,并预测出城市路网中两个城市地点之间是否产生道路的二分类标签。
10.根据权利要求9所述的一种城市路网中的链路预测装置,其特征在于,所述链路预测装置还包括序惯三支决策模块和三层泛函网络模型模块,所述序惯三支决策模块的输入端连接所述二层泛函网络模型模块的输出端,所述序惯三支决策模块的输出端连接所述三层泛函网络模型模块的输入端,并通过所述三层泛函网络模型模块的输出端输出最终的城市路网中两个城市地点之间是否产生道路的二分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426947.0A CN112465253B (zh) | 2020-12-09 | 2020-12-09 | 一种城市路网中的链路预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426947.0A CN112465253B (zh) | 2020-12-09 | 2020-12-09 | 一种城市路网中的链路预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465253A true CN112465253A (zh) | 2021-03-09 |
CN112465253B CN112465253B (zh) | 2022-07-01 |
Family
ID=74801718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426947.0A Active CN112465253B (zh) | 2020-12-09 | 2020-12-09 | 一种城市路网中的链路预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465253B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000231690A (ja) * | 1999-02-12 | 2000-08-22 | Toyota Central Res & Dev Lab Inc | 旅行時間予測装置 |
CN103023840A (zh) * | 2012-12-04 | 2013-04-03 | 温州大学 | 多输入多输出泛函网络实现无线激光通信电域信号盲均衡方法 |
CN103226739A (zh) * | 2013-04-24 | 2013-07-31 | 辽宁工程技术大学 | 一种基于泛函网络的周期来压预测方法 |
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 |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
CN110232518A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 一种基于三支决策的威胁评估方法 |
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
CN110992698A (zh) * | 2019-12-26 | 2020-04-10 | 北京工业大学 | 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法 |
CN111368074A (zh) * | 2020-02-24 | 2020-07-03 | 西安电子科技大学 | 一种基于网络结构和文本信息的链路预测方法 |
-
2020
- 2020-12-09 CN CN202011426947.0A patent/CN112465253B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000231690A (ja) * | 1999-02-12 | 2000-08-22 | Toyota Central Res & Dev Lab Inc | 旅行時間予測装置 |
CN103023840A (zh) * | 2012-12-04 | 2013-04-03 | 温州大学 | 多输入多输出泛函网络实现无线激光通信电域信号盲均衡方法 |
CN103226739A (zh) * | 2013-04-24 | 2013-07-31 | 辽宁工程技术大学 | 一种基于泛函网络的周期来压预测方法 |
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 |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
CN110232518A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 一种基于三支决策的威胁评估方法 |
CN110738370A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种新颖的移动对象目的地预测算法 |
CN110992698A (zh) * | 2019-12-26 | 2020-04-10 | 北京工业大学 | 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法 |
CN111368074A (zh) * | 2020-02-24 | 2020-07-03 | 西安电子科技大学 | 一种基于网络结构和文本信息的链路预测方法 |
Non-Patent Citations (9)
Title |
---|
BEYZA ERMI¸S 等: "Link prediction in heterogeneous data via generalized coupled tensor factorization", 《DATA MINING AND KNOWLEDGE DISCOVERY》 * |
HONG YU 等: "Detecting and refining overlapping regions in complex networks with three-way decisions", 《INFORMATION SCIENCES》 * |
SHICHEN HUANG 等: "Feature Extraction and Representation of Urban Road Networks Based on Travel Routes", 《SUSTAINABILITY》 * |
张岩庆 等: "基于频繁闭图关联规则的AS级Internet链路预测方法", 《计算机科学》 * |
施文君: "基于关联规则的线上线下双层耦合社交网络信息传播规律研究", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 * |
李娜: "基于垂直搜索引擎的农业信息推荐关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
杜凡 等: "有向动态网络中基于模体演化的链路预测方法", 《计算机应用研究》 * |
王斌 等: "联合子图模式和网络表征的路网链路预测模型", 《小型微型计算机系统》 * |
盛津芳 等: "基于Katz自动编码器的城市路网链路预测模型", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN112465253B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009710A (zh) | 基于相似度和TrustRank算法的节点测试重要度评估方法 | |
CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN111160750A (zh) | 一种基于关联规则挖掘的配网分析和投资决策方法 | |
Djenouri et al. | Fast and accurate deep learning framework for secure fault diagnosis in the industrial internet of things | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN111476261A (zh) | 一种社区增强的图卷积神经网络方法 | |
CN114373101A (zh) | 基于进化策略的神经网络架构搜索的图像分类方法 | |
CN114528949A (zh) | 一种基于参数优化的电能计量异常数据的识别与补偿方法 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN113989544A (zh) | 一种基于深度图卷积网络的群体发现方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN113744072A (zh) | 一种基于深度神经网络融合拓扑和内容社团检测方法 | |
CN111639688A (zh) | 一种基于线性核svm的物联网智能模型的局部解释方法 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与系统 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
Munikoti et al. | Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks | |
Moreira et al. | Prototype generation using self-organizing maps for informativeness-based classifier | |
Cabanes et al. | On the use of Wasserstein metric in topological clustering of distributional data | |
Yang et al. | An improved probabilistic neural network with ga optimization | |
CN117648646B (zh) | 基于特征选择和堆叠异构集成学习的钻采成本预测方法 | |
Zhang et al. | Adaptive Clustering Algorithm of Complex Network Based on Fuzzy Neural Networks |
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 |