CN114692976B - 基于半监督图嵌入框架的出行意图预测方法 - Google Patents
基于半监督图嵌入框架的出行意图预测方法 Download PDFInfo
- Publication number
- CN114692976B CN114692976B CN202210348934.9A CN202210348934A CN114692976B CN 114692976 B CN114692976 B CN 114692976B CN 202210348934 A CN202210348934 A CN 202210348934A CN 114692976 B CN114692976 B CN 114692976B
- Authority
- CN
- China
- Prior art keywords
- poi
- travel
- trip
- data
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 239000003550 marker Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明具体涉及基于半监督图嵌入框架的出行意图预测方法,包括:构建出行意图预测模型;训练出行意图预测模型时,出行意图预测模型首先对出行数据和POI签到数据进行聚合,刻画出语义增强的出行情境,包括起点和终点的POI情境以及时空情境;然后基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别的POI活动语义的出行数据;最后在半监督框架中,对有标签的出行数据结合其时空情境进行预测,同时对有标签和无标签联合的出行数据进行特征重构,得到对应的预测结果和重构结果;分别计算对应的预测损失和重构损失,并联合训练出行意图预测模型;重复上述步骤,直至出行意图预测模型收敛。本发明能够提高预测模型训练的全面性和有效性。
Description
技术领域
本发明涉互联网大数据技术领域,具体涉及基于半监督图嵌入框架的出行意图预测方法。
背景技术
用户的出行行为分析是智能出行和城市应用的基础,也是该领域中长期存在的课题,其包括交通、城市规划、疫情控制等等。近十年来,随着GPS轨迹数据的广泛使用,在揭示出行行为时空模式方面取得了很多成果,然而,对出行行为目的(即出行意图)的研究却相对较少。与明确地告诉用户何时何地移动的轨迹不同,出行意图是回答用户为何在城市出行的语义信息。
获取用户的出行意图信息将极大地促进以人为本的城市智能服务,如城市规划、个性化广告和推荐。近年来,出行意图被认为是出行行为分析的一个重要方面。例如,公开号为CN105512773A的中国专利公开了《一种用户出行意图预测方法》,其包括:从用户全景视图中读取用户出行行为记录;提取并计算所述用户出行行为记录的特征值;调用预测模型对所述特征值进行计算,得到用户出行意图的预测结果。
上述现有方案的用户出行目预测方法就是一种出行意图预测方法,其基于用户的乘机出行行为记录预测出用户每次出行的目的。但申请人发现,出行意图预测在实际应用时仍然面临以下挑战:1)用于描述多模态人类活动的有用信息非常有限,使得难以保证相关预测模型训练的全面性,导致出行意图预测的准确性不高。2)训练数据的标注工作(即调查)的成本非常高,并且质量不可控,使得在大多数情况下只有相当有限的标记出行数据可供预测模型的学习,难以保证预测模型训练的有效性,同样导致出行意图预测的准确性不高。因此,如何设计一种能够提高预测模型训练全面性和有效性的方法,以提高出行意图预测的准确性是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于半监督图嵌入框架的出行意图预测方法,以能够提高预测模型训练的全面性和有效性,从而能够提高出行意图预测的准确性。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于半监督图嵌入框架的出行意图预测方法,包括以下步骤:
S1:基于半监督神经网络和图注意力网络构建对应的出行意图预测模型;
S2:将有标签和无标签的出行数据以及POI签到数据输入出行意图预测模型中;
出行意图预测模型首先对出行数据和POI签到数据进行聚合,刻画出语义增强的出行情境,包括起点和终点的POI情境以及时空情境;然后基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别的POI活动语义的出行数据;最后在半监督框架中,对有标签的出行数据结合其时空情境进行预测,同时对有标签和无标签联合的出行数据进行特征重构,得到对应的预测结果和重构结果;
S3:分别基于预测结果和重构结果计算对应的预测损失和重构损失,通过预测损失和重构损失联合训练出行意图预测模型;
S4:重复执行步骤S2至步骤S3,直至出行意图预测模型收敛;
S5:通过训练后的出行意图预测模型完成出行意图的预测。
优选的,步骤S2中,时空情景Cst(tr)=[TYP(tr),H(to),H(td),td-to,ld-lo];
式中:Cst(tr)表示时空情景;tr表示对应的出行数据,tr=[(lo,to),(ld,td)],lo、ld表示起点和终点,to、td表示起点和终点的时间戳;TYP(tr)表示出行时间的类型;H(t)表示出行的持续时间;
POI情景包括静态特征和动态特征;
静态特征包括距离特征和唯一性特征;
距离特征
唯一性特征
式中:min(distance(POIsk,ld))表示POIsk和ld的最小距离;POIsk表示所有K个POI类别中的第k个POI类别;ld表示出行的终点;r表示设置的区域范围;
动态特征包括周期流行度;
周期流行度
式中:表示第k个POI类别POIsk在设置的时间段T内的总签到时间;对于出行的起点,T=[to-2,to];对于出行的终点,T=[to,to+2]。
优选的,步骤S2中,通过如下步骤提取POI情境的隐空间特征:
S201:将起点的POI情景和终点的POI情景转换为具有相同结构的图结构Go和Gd;
S202:通过图注意力网络捕获图结构Go和Gd中每个POI类别的相邻活动特征,生成具有相邻活动特征的起点活动语义和终点活动语义/>即POI活动语义/>
优选的,步骤S202中,首先计算图结构Go和Gd的中心节点u与相邻节点v∈Nu之间的注意力系数αuv;
式中:W∈RF′*F表示共享权重矩阵;Wuv∈RF′表示中心节点u对于特定邻居v的唯一权重矩阵;W1∈RF′和W2∈R|TYP|+|H|表示不同邻居特征和时间特征的共享注意力权重矩阵;hu表示中心节点u的邻居特征;hv表示中心节点u的邻居节点v的特征;hn表示中心节点u的邻居结点n的特征;.T表示转置运算;RF′和R|TYP|+|H|中,R表示实数,上标表示维度。
然后通过多头机制从多个角度提取节点相邻特征,进而将多头特征串联并转化为最终的相邻活动特征
式中:M表示多头注意力的数量;和Wm为第m次注意的注意力系数和线性变换权重矩阵;σ表示非线性函数;W′∈RF′*MF′表示权重矩阵,用于将连接的特征变换为F′维;hv表示中心节点u的邻居节点v的特征;||表示连接运算。
优选的,步骤S2中,对有标签和无标签联合出行数据的POI活动语义进行逆运算,得到对应的重构结果/>
步骤S3中,通过图结构Go和Gd结合重构结果计算对应的重构损失Lr;
式中:和/>分别表示图结构Go和Gd中的元素;/>和/>表示重构结果/>和/>中与和/>对应的重构向量。
优选的,步骤S2中,通过如下步骤对有标签的出行数据进行预测:
S211:通过相邻活动特征聚合每个节点自身的增强特征作为双重综合POI语义,生成具有双重综合POI语义的起点综合语义G′o和终点综合语义G′d;
S212:将起点综合语义G′o、时空情景Cst与全连接层结合作为查询host;
S213:建立反馈网络为相容函数的多头soft-attention模型,然后基于查询host计算POI类别u∈G′d的注意力系数和最终的出行活动语义/>
S214:通过Softmax分类器结合出行活动语义进行分类得到对应的预测结果。
优选的,步骤S212中,通过如下公式计算查询host:
host=tanh(Wfc1[Flatten(G′o)||Cst]+bfc1);
式中:host表示G′o和Cst非线性组合起来的在soft-attention模型里的query;G′o表示起点综合语义;Cst表示时空情境;和bfc1表示使用的全连接层参数;Flatten表示Flatten操作;tanh表示非线性激活函数;
S213中,通过如下公式计算POI类别u∈G′d的注意力系数
通过如下公式计算联合出行活动语义
式中:Wq、Wk和b表示相容函数的参数;M′表示注意头的数量;表示参数矩阵,用于将串联的多头特征转换为|h′u|尺寸;/>表示第m′次注意的注意力系数;.T表示转置运算;h′u、h′s分别表示POI类别u和s的双重综合POI语义。
优选的,步骤S214中,通过如下步骤生成预测结果:
S2141:在出行活动语义上使用/>神经元的全连接层输出原始结果z;
z=Wfc2H+bfc2;式中:Wfc2和bfc2表示全连接层的可学习参数;表示候选出行意图;表示候选出行意图的数量;
S2142:执行softmax函数,得到第i个候选活动为实际出行意图y的预测概率/>
式中:zi表示第i个神经元的结果;zj表示第i个神经元的结果;FC表示全连接层;CI表示POI签到数据;tr表示对应的出行数据;
S2143:选取预测概率最高的候选出行意图/>阼为出行意图预测的结果;
优选的,步骤S3中,通过如下方式计算预测损失Lc;
式中:y(i)和表示第i个候选的实际出行意图和预测概率。
优选的,步骤S3中,对预测损失和重构损失进行加权计算得到对应的总损失L,基于总损失L训练出行意图预测模型;
L=Lc+λ*Lr;
式中:Lc表示预测损失;Lr表示重构损失;λ表示设置的权重系数。
本发明中的出行意图预测方法与现有技术相比,具有如下有益效果:
本发明通过有标签和无标签的出行数据以及POI签到数据训练出行意图预测模型,在训练过程中,首先刻画出语义增强的出行情境,进而基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别POI活动语义的出行数据,然后通过出行数据的POI活动语义进行预测和重构并计算对应的预测损失和重构损失,最后通过预测损失和重构损失联合训练出行意图预测模型。一方面,本发明通过出行情景增强和隐空间特征提取的方式,能够基于半监督图嵌入框架从无标签(即未标记)的出行数据集中提取补充性的数据分布知识用于模型训练,进而能够有效解决训练数据的标注工作成本高和质量不可控的问题,从而能够提高预测模型训练有效性。另一方面,本发明通过聚合出行数据和POI签到数据生成并增强具有语义信息的出行情境,进而提取增强出行情境起点和终点隐空间特征,能够以情境感知的方式预测细粒度出行意图,利用普适数据实现大规模细粒度预测,使得能够有效解决人类活动的有用信息有限的问题,从而能够提高预测模型训练的全面。
本发明通过有监督预测和无监督重构的方式同时实现预测和重构,进而通过预测损失和重构损失联合训练出行意图预测模型,能够有效提高模型的性能和鲁棒性,从而能够提高出行意图预测的准确性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于半监督深度图嵌入出行意图预测方法的逻辑框图;
图2为出行意图预测模型的网络结构图;
图3为POI类别及其相应的出行意图;
图4(a)为POI图结构,图4(b)为“Restaurant”的注意系数计算示意图;
图5为DAGE和DAGE-A的特定类别性能。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种基于半监督图嵌入框架的出行意图预测方法。
如图1所示,基于半监督图嵌入框架的出行意图预测方法,包括以下步骤:
S1:基于半监督神经网络和图注意力网络构建对应的出行意图预测模型;
S2:将有标签和无标签的出行数据以及POI签到数据输入出行意图预测模型中;
如图2所示,出行意图预测模型首先对出行数据(有标签和无标签)和POI签到数据进行聚合,刻画出语义增强的出行情境,包括起点和终点的POI情境以及时空情境;然后基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别的POI活动语义的出行数据;最后在半监督框架中,对有标签的出行数据结合其时空情境进行预测,同时对有标签和无标签联合的出行数据进行特征重构,得到对应的预测结果和重构结果;
S3:分别基于预测结果和重构结果计算对应的预测损失和重构损失,通过预测损失和重构损失联合训练出行意图预测模型;
S4:重复执行步骤S2至步骤S3,直至出行意图预测模型收敛;
S5:通过训练后的出行意图预测模型完成出行意图的预测。本实施例中,将待预测的用户数据和候选出行意图输入经过训练的出行意图预测模型中,将出行意图预测模型输出的预测结果中概率最大的候选出行意图作为用户的出行意图预测的结果。
本实施例中,出行(Trip):每次出行都由其起点(出发地)和终点(目的地)对表示,该对由两个GPS点组成,车辆在乘客上下车位置收集时间戳,即,tr=[(lo,to),(ld,td)]。
Point of Interest(兴趣点):POI指的是一个地方,它是人类活动的基本单位。POI通常由其地点和类别组成。所采用的9个POI类别和相应的人类活动如图3所示。
Check-in Data(签到数据):当用户使用LBSN平台在POI点进行签到时,将生成POI签到数据CI。签到数据通常包含有关用户身份、签到时间和相应POI地点的信息。
一般来说,签到的数量可以揭示该POI类别的受欢迎程度(来自Mingyang Zhang,Tong Li,Yong Li,and Pan Hui.Multi-view joint graph representation learningfor urban region embedding)。
出行意图的预测:可以看作是机器学习中的分类问题,给定两组行程数据(未标记的和标记的),一组POI签到信息CI,一组候选出行意图同时训练带有标记和未标记出行数据的半监督学习预测模型(即出行意图预测模型),使用经过训练的模型,预测未知旅行tr的候选出行意图概率,即/>
本发明通过有标签和无标签的出行数据以及POI签到数据训练出行意图预测模型,在训练过程中,首先刻画出语义增强的出行情境,进而基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别POI活动语义的出行数据,然后通过出行数据的POI活动语义进行预测和重构并计算对应的预测损失和重构损失,最后通过预测损失和重构损失联合训练出行意图预测模型。一方面,本发明通过出行情景增强和隐空间特征提取的方式,能够基于半监督图嵌入框架从无标签(即未标记)的出行数据集中提取补充性的数据分布知识用于模型训练,进而能够有效解决训练数据的标注工作成本高和质量不可控的问题,从而能够提高预测模型训练有效性。另一方面,本发明通过聚合出行数据和POI签到数据生成并增强具有语义信息的出行情境,进而提取增强出行情境起点和终点隐空间特征,能够以情境感知的方式预测细粒度出行意图,利用普适数据实现大规模细粒度预测,使得能够有效解决人类活动的有用信息有限的问题,从而能够提高预测模型训练的全面。
此外,本发明通过有监督预测和无监督重构的方式同时实现预测和重构,进而通过预测损失和重构损失联合训练出行意图预测模型,能够有效提高模型的性能和鲁棒性,从而能够提高出行意图预测的准确性。
具体实施过程中,对于出行数据tr,从车辆的GPS轨迹中提取了三种时间情景,包括采集日期的类型(工作日或非工作日)TYP(tr)和出行开始到结束持续的时间H(t)以及出行时间td-to。小时值t被转换为以(0,0)为圆心坐标的单位圆的弧度,小时时间由基于弧度θ的单位圆中的坐标表示为H(t)=(cosθ,sinθ),θ=2π(t/24)。这样的表示可以保持00:00和23:00之间的时间相似性。结合出行时间,以起点到目的地ld-lo的球面距离作为出行的时空成本。
时空情景Cst(tr)=[TYP(tr),H(to),H(td),td-to,ld-lo];
式中:Cst(tr)表示时空情景;tr表示对应的出行数据,tr=[(lo,to),(ld,td)],lo、ld表示起点和终点,to、td表示起点和终点的时间戳;TYP(tr)表示出行时间的类型;H(t)表示出行的持续时间;
为了描述起点和终点位置的活动情况,对于每个POI类别,从半径为r米的附近POI签到数据中提取静态特征和动态特征,即POI情景包括静态特征和动态特征。根据人类出行的土地利用区域范围r设为250米。静态特征是指POI分布,即距离和唯一性。在动态特征方面,提取了period popularity Popu揭示在不同时段POI吸引力的变化。
静态特征包括距离特征和唯一性特征;
距离特征
唯一性特征
式中:min(distance(POIsk,ld))表示POIsk和ld的最小距离;POIsk表示所有K个POI类别中的第k个POI类别;ld表示出行的终点;r表示设置的区域范围,本实施例为250米。
动态特征包括周期流行度;
周期流行度:
式中:表示第k个POI类别POIsk在设置的时间段T内的总签到时间;对于出行的起点,T=[to-2,to];对于出行的终点,T=[to,to+2]。
本发明通过聚合出行数据和POI签到数据,能够生成时空情景以及包括距离特征、唯一性特征和周期流行度特征的POI情景,使得能够有效的增强时空情境、起点POI情境和终点POI情境的出行情景语义,进而能够更好的体现POI类型对用户的吸引力,从而能够有效提高用户出行意图预测的准确性。
具体实施过程中,从POI情境中提取活动语义时,对不同的POI类别之间的内在相关性进行建模是非常重要的,因为在一个地点的人类活动通常是相互关联的,例如“餐厅”和“商店”。因此,首先将OD(起点和终点)POI情境转换为图结构,然后利用图注意力网络提取每个POI类别的相邻活动语义。
通过如下步骤提取POI情境的隐空间特征:
S201:将起点的POI情景和终点的POI情景转换为具有相同结构的图结构Go和Gd;如图4(a)所示,定义一个无向完全POI图G=(V,E),表示起点以及目的地的POI情境。V是表示现有POI类别的一组节点(用实心圆绘制),E是表示它们内在相关性的一组边。每个节点包含3种增强特征h∈RF(即距离特征、唯一性特征、周期流行性特征)。
S202:通过图注意力网络捕获图结构Go和Gd中每个POI类别的相邻活动特征,生成具有相邻活动特征的起点活动语义和终点活动语义/>即POI活动语义/>
本实施例中,表示POI情境的Go和Gd是任意结构的图(有些节点可能不存在),因为一个位置不可能总是有所有9类POI在附近。为此,本发明采用图注意力网络(GAT)(来自PetarVelikovi,G.Cucurull,A.Casanova,A.Romero,P Lio,and Y.Bengio.Graphattention networks)对相邻POI类别的不一致相关性进行建模,并据此提取高级的POI活动语义。
普通GAT模型采用注意力机制学习中心节点u与相邻节点Nu之间的注意力系数。对于一个中心节点,不同邻居的注意力系数是用相同的参数计算的。然而,人类活动通常具有不同的内在相关性。例如,对于“餐厅”活动,它与“娱乐”的相关性大于“健康”,因为“餐厅”和“娱乐”在人们的日常生活中更容易被联想到。
为了缩小这种差距,本发明提出了一种类别感知GAT来进一步考虑相邻节点的内在差异。此外,本发明还考虑了时间特征T(即日期的类型)和小时的时间特征,因为不同活动之间的相关性也表现出时间依赖性特征。
具体的:首先计算图结构Go和Gd的中心节点u与相邻节点v∈Nu之间的注意力系数αuv;
式中:W∈RF′*F表示共享权重矩阵;Wuv∈RF′表示中心节点u对于特定邻居v的唯一权重矩阵;W1∈RF′和W2∈R|TYP|+|H|表示不同邻居特征和时间特征的共享注意力权重矩阵;hu表示中心节点u的邻居特征;hv表示中心节点u的邻居节点v的特征;hn表示中心节点u的邻居结点n的特征;.T表示转置运算;RF′和R|TYP|+|H|中,R表示实数,上标表示维度。图4(b)为“餐厅”的注意系数计算过程。
然后通过多头机制从多个角度提取节点相邻特征,进而将多头特征串联并转化为最终的相邻活动特征
式中:M表示多头注意力的数量;和Wm为第m次注意的注意力系数和线性变换权重矩阵;σ表示非线性函数;W′∈RF′*MF′表示权重矩阵,用于将连接的特征变换为F′维;hv表示中心节点u的邻居节点v的特征;||表示连接运算。
具体实施过程中,通过如下步骤对有标签的出行数据进行预测:
S211:通过相邻活动特征聚合每个节点自身的增强特征作为双重综合POI语义,生成具有双重综合POI语义的起点综合语义G′o和终点综合语义G′d;
本实施例中,双重综合POI语义
S212:将起点综合语义G′o、时空情景Cst与全连接层结合作为查询host;
S213:建立反馈网络为相容函数的多头soft-attention模型,然后基于查询host计算POI类别u∈G′d的注意力系数和最终的出行活动语义/>
本实施例中,soft-attention可以描述为将查询和一组键值对映射到输出(来自Chongyang Tao.Shen Gao.Mingyue Shang,Wei Wu,Dongyan Zhao,and Rui Yan.Gettheir point of my utterance!learning towards effective responses with multi-head attention mechanism)。输出是值的加权和,其中权重是通过使用查询上的兼容函数和特定键来计算的。用户在目的地的活动可被视为对特殊查询(即具有特定起点和时间的行程)的响应。因此,原始活动语义G′o和行程的时空成本Cst被视为查询。由于POI是人类活动的基本单位,目的地是乘客进行最终活动的地方,因此目的地中的每一类POI语义都用作键和值,即keys=values=h′(D)。
通过如下公式计算soft-attention模型的查询host:
host=tanh(Wfc1[Flatten(G′o)||Cst]+bfc1);
式中:host表示G′o和Cst非线性组合起来的在soft-attention里的query;G′o表示起点综合语义;Cst表示时空情境;和bfc1表示使用的全连接层参数;Flatten表示Flatten操作;tanh表示非线性激活函数;
通过如下公式计算POI类别u∈G′d的注意力系数
通过如下公式计算联合出行活动语义
式中:Wq、Wk和b表示相容函数的参数;M′表示注意头的数量;表示参数矩阵,用于将串联的多头特征转换为|h′u|尺寸;/>表示第m′次注意的注意力系数;.T表示转置运算;h′u、h′s分别表示POI类别u和s的双重综合POI语义。
S214:通过Softmax分类器结合联合出行活动语义进行分类得到对应的预测结果。
步骤S214中,通过如下步骤生成预测结果:
S2141:在出行活动语义上使用/>神经元的全连接层输出原始结果z;
z=Wfc2H+bfc2;式中:Wfc2和bfc2表示全连接层的可学习参数;表示候选出行意图;表示候选出行意图的数量;
S2142:执行softmax函数,得到第i个候选活动为实际出行意图y的预测概率/>
式中:zi表示第i个神经元的结果;zj表示第i个神经元的结果;FC表示全连接层;CI表示POI签到数据;tr表示对应的出行数据;
S2143:选取预测概率最高的候选出行意图/>作为出行意图预测的结果;
本发明通过上述步骤,能够有效的实现出行情景增强和隐空间特征提取,能够基于半监督图嵌入框架从无标签(即未标记)的数据集中提取补充性的数据分布知识用于模型训练,进而能够有效解决训练数据的标注工作成本高和质量不可控的问题,从而能够提高预测模型训练有效性。其次,本发明通过聚合出行数据和POI签到数据生成具有语义信息的出行情境,进而提取增强出行情境起点和终点隐空间特征的方式,能够以情境感知的方式预测细粒度出行意图,利用普适数据实现大规模细粒度预测,进而能够有效解决人类活动的有用信息有限的问题,从而能够提高预测模型训练的全面。
具体实施过程中,对有标签和无标签联合出行数据的POI活动语义进行逆运算,得到对应的重构结果/>本实施例中,共享编码器后,将组合行程的特性(即)发送给解码器组件。解码器(译码器)用于对上述编码器进行逆运算(来自JiafengCheng,Qianqian Wang,Zhiqiang Tao,Deyan Xie,and Quanxue Gao.Multi-viewattribute graph convolution networks for clustering)。由于编码器主要采用GAT提取POI情境的邻近特征,本发明还在解码器中采用了一组新的具有反向特征维数的GAT。
通过图结构Go和Gd结合重构结果计算对应的重构损失Lr;
式中:和/>分别表示图结构Go和Gd中的元素;/>和/>表示重构结果/>和/>中与/>和/>对应的重构向量。
通过如下方式计算预测损失Lc;
式中:y(i)和表示第i个候选的实际出行意图和预测概率。
对预测损失和重构损失进行加权计算得到对应的总损失L;进而基于总损失L训练出行意图预测模型;
L=Lc+λ*Lr;
式中:Lc表示预测损失;Lr表示重构损失;λ表示设置的权重系数。
本发明通过有监督预测和无监督重构的方式同时实现预测和重构,进而通过预测损失和重构损失联合训练出行意图预测模型,能够有效提高模型的性能和鲁棒性,从而能够提高出行意图预测的准确性。
为了更好的说明本发明技术方案的优势,本实施例中公开了如下实验。
1、数据设置
UCar出行数据:2015年12月,在中国北京,通过神舟UCar(一种按需乘车服务),共有超过20万名任意乘客乘坐780494次汽车。每条记录包含上下车的GPS信息,以及乘客目标POI的描述(例如北京餐厅)。该POI的活动类型(如“Dining”)用作出行意图(即地面实况)。详细的映射操作见附录。在实验中,我们选择了北京市五环内的366783条目的标签出行。
Jiepang POI签到数据:从2011年8月到2012年9月,北京的Jiepang(即LBSN)共有超过11008名用户办理了511133次登记手续。每个记录包含一个匿名用户ID、一个签到时间戳和相应的POI信息。我们在图3中介绍了如何从Jiepang获得9个POI类别。
请注意,所使用的两个数据集都是匿名的,仅用于离线训练和测试模型。在实际场景(如出租车出行)的预测过程中,我们的模型将仅使用出行中车辆的GPS轨迹,并且它也不会记录或涉及任何个人信息。因此,本研究中数据的使用有利于隐私保护。
2、基准和评价指标
DAGE-A是指本发明中的出行意图预测模型。
基准模型:
Nearest(最近的):出行意图是指离乘客下车地点最近的POI活动类型(来自WendyBohte and Kees Maat.De-riving and validating trip purposes and travel modesformulti-day gps-based travel surveys:A large-scale application in thenetherlands)。
Bayes’s Rule(贝叶斯规则):基于一组空间和时间规则,出行意图是目的地附近最有可能被访问的POI的活动类型(来自Li Gong,Xi Liu.Lun Wu,and Yu Liu.Inferringtrip purposes and uncovering travel patterns from taxi trajectory data)。
ANN(人工神经网络):一种具有两个隐藏层的神经网络,预测基于出行终点的日期类型和区域使用类型(附近POI类别的二进制代码)(来自Guangnian Xiao,Zhicai Juan,and Chun-qin Zhang.Detecting trip purposes from smartphone-based travelsurveys with artificial neural networks and particle swarm optimization)。请注意,我们仅使用该模型的出行数据和LBSN数据。
RF(Random Forest):输入变量包括附近的地点特征(即不同POI类别的比例)和时间特征(即一天的日期类型和时间段)(来自A.Ermagun,Y.Fan,J.Wolfson,G.Adomavicius,and K.Das.Real-time trip purpose pre-diction using online location-basedsearch and discovery services)。
我们还建立了DAGE-A的两个变体,以评估半监督框架的有效性。
双注意力图嵌入(DAGE):双注意力图嵌入网络的监督版本,即没有无监督重建任务。
带伪标签的DAGE(DAGE-P):基于DAGE,未标记数据的伪标签用于计算模型训练的互补损失。有关伪标签技术的详细信息,请参见(Dong-Hyun Lee et al.Pseudo-label:Thesimple and efficient semi-supervised learning method for deep neuralnetworks)。
采用准确度和宏F1-score来评估跨类型整体预测效果,采用F1-score来评估各类出行意图的特定类别效果。
3、评价环境和设置
我们使用Python 3.7和TensorFlow2.5实现DAGE-A,在带有4个NVIDIA GeForceRTX 2080 Ti GPU和192GB RAM的PC上。通过比较不同设置组的性能来选择模型的超参数。具体来说,我们使用Adam优化损失函数,学习率lr为0.0001。批次大小和L2正则化器参数分别设置为128和0.0001。此外,GAT中的F′设置为50,GAT和soft-attention(M,M′)的头数分别设置为(20,30)。编码器和解码器的设置相同。融合起点POI情境和时空情境F′ost的维度设置为50。通过足够数量的试验,损失组合λ的最佳重量设置为1。
我们将出行数据按6:1:1的比例划分为培训、验证和测试数据集。为了评估我们的半监督预测框架,我们进行了一组实验,在训练数据中增加标记样本(从10%增加到90%)(即,一种增加标签工作的模拟),同时将所有可用行程用作重建任务的组合数据。
4、实验结果
表1:不同模型的准确度(%)和宏F1-score(%)预测结果
4.1、框架的有效性
表1显示了具有不同比例标记样本的不同型号的总体性能。由于最近邻规则和贝叶斯规则对训练数据不敏感,因此它们在测试数据上的性能不变。
在前五个监督模型中,DAGE模型在所有数据比例下都优于其他基准实验。特别是,在30%的标记数据情况下,与最先进的RF模型相比,我们的模型在精确度和宏F1-score方面分别提高了4.86%和4.22%,在其余数据比例设置中,这种领先优势稳定保持在3%到4%。此外,尽管ANN和DAGE都是神经网络,但ANN的性能要差得多。这是因为ANN只是简单地将所有输入聚集在隐藏层中,而我们的DAGE在潜在空间中使用两种注意力机制模拟特征之间的相关性。
随着标记数据的增加,所有模型的性能都得到了提高。当从10%增加到30%时,DAGE模型在这两个指标上都提高了7%以上。然而,当从30%增加到90%时,改善率分别只有3.5%和4.64%。这意味着,对于出行意图预测问题,在早期阶段,高成本标签工作的效益将降低。因此,建立一个半监督框架来提高模型在未标记样本下的性能是非常有意义和必要的。
如上所述,半监督学习框架可以进一步提高DAGE的性能。此外,DAGE-A(具有自动编码器架构)始终优于DAGE-P(具有伪标签)。例如,使用20%的标记数据,DAGE-P的精确度提高了1.35%,而我们的DAGE-A的精确度提高了2.42%。这些结果不仅证明了未标记数据提供的潜在知识在模型训练中是有用的,而且表明我们的半监督学习框架在捕获这些潜在知识方面更为有效。特别的是,我们发现有70%标记数据的DAGE-A甚至比有90%标记数据的DAGE更好。这样的结果表明,我们的半监督框架可以减少多达20%的标签工作。
4.2、特定类别的性能分析
除了评估整体性能外,我们还检查了模型在具体出行意图的性能。图5显示了DAGE和DAGE-A模型的特定类别结果,详细分析如下。
一般来说,9个出行意图的预测难度不同。例如,当使用10%的标记数据时,DAGE在F1-scores中对“Working”和“Health”的预测达到60%以上,而对“Recreation”和“Outdoors”的预测达到35%左右。这种差异可能是因为:1)“Working”和“Health”活动附近的POI配置通常比较简单,因此它们更容易识别;2)“Recreation”和“Outdoors”活动往往与其他活动在时间和空间上联系在一起,例如“Dining”。
我们可以发现,即使有90%的标记数据,“Recreation”和“Outdoors”的F1-scores仍然低于50%,因此这两种出行意图的预测非常困难。此外,“Health”是9个出行意图中最可预测的一个,我们的模型在F1-scores中可以达到近80%。
当标签数据从10%增加到90%时,9个出行意图在性能改进方面也表现出相当大的差异。例如,在我们的半监督DAGE-A模型中,“Dining”改善了近20%,而“Working”改善了不到10%。这些结果表明,所有可能的“Dining”行程的潜在分布更为复杂,因此,不断增加的标记数据可以为模型训练带来有用的信息。同样,“Recreation”也实现了15%以上的改善。
从半监督DAGE-A来看,与DAGE相比,它通常能有效提高模型在各种出行意图下的性能。然而,随着标记数据的增加,改进性能表现出两种不同的趋势,即从显著到可忽略,反之亦然。第一种情况是9个出行意图中的大多数。这表明,当标记数据稀疏时,显示的数据分布也有限,因此来自未标记数据的补充可以显著提高性能。然后,随着标记数据的增加,显示分布趋于完整,因此改进的性能逐渐下降。第二种情况发生在“Recreation”和“Dining”。根据上述观察,它们很难被预测,而且数据分布也很复杂。因此,在开始时,模型很容易过度拟合非常有限的标记数据,因此在模型训练中,未标记数据的影响很小。
5、结论:
大量实验表明,本发明的半监督图嵌入框架(DAGE-A)的性能明显优于其他基准模型。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于半监督图嵌入框架的出行意图预测方法,其特征在于,包括以下步骤:
S1:基于半监督神经网络和图注意力网络构建对应的出行意图预测模型;
S2:将有标签和无标签的出行数据以及POI签到数据输入出行意图预测模型中;
出行意图预测模型首先对出行数据和POI签到数据进行聚合,刻画出语义增强的出行情境,包括起点和终点的POI情境以及时空情境;然后基于图注意力网络提取图结构的POI情境的隐空间特征,得到具备更高级别的POI活动语义的出行数据;最后在半监督框架中,对有标签的出行数据结合其时空情境进行预测,同时对有标签和无标签联合的出行数据进行特征重构,得到对应的预测结果和重构结果;
步骤S2中,时空情景Cst(tr)=[TYP(tr),H(to),H(td),td-to,ld-lo];
式中:Cst(tr)表示时空情景;tr表示对应的出行数据,tr=[(lo,to),(ld,td)],lo、ld表示起点和终点,to、td表示起点和终点的时间戳;TYP(tr)表示出行时间的类型;H(t)表示出行的持续时间;
POI情景包括静态特征和动态特征;
静态特征包括距离特征和唯一性特征;
距离特征
唯一性特征
式中:min(distance(POIsk,ld))表示POIsk和ld的最小距离;POIsk表示所有K个POI类别中的第k个POI类别;ld表示出行的终点;r表示设置的区域范围;
动态特征包括周期流行度;
周期流行度
式中:表示第k个POI类别POIsk在设置的时间段T内的总签到时间;对于出行的起点,T=[to-2,to];对于出行的终点,T=[to,to+2];
步骤S2中,通过如下步骤提取POI情境的隐空间特征:
S201:将起点的POI情景和终点的POI情景转换为具有相同结构的图结构Go和Gd;
S202:通过图注意力网络捕获图结构Go和Gd中每个POI类别的相邻活动特征,生成具有相邻活动特征的起点活动语义和终点活动语义/>即POI活动语义/>
步骤S202中,首先计算图结构Go和Gd的中心节点u与相邻节点v∈Nu之间的注意力系数αuv;
式中:W∈RF′*F表示共享权重矩阵;Wuv∈RF′表示中心节点u对于特定邻居v的唯一权重矩阵;W1∈RF′和W2∈R|TYP|+|H|表示不同邻居特征和时间特征的共享注意力权重矩阵;hu表示中心节点u的邻居特征;hv表示中心节点u的邻居节点v的特征;hn表示中心节点u的邻居结点n的特征;.T表示转置运算;RF′和R|TYP|+|H|中,R表示实数,上标表示维度;
然后通过多头机制从多个角度提取节点相邻特征,进而将多头特征串联并转化为最终的相邻活动特征
式中:M表示多头注意力的数量;和Wm为第m次注意的注意力系数和线性变换权重矩阵;σ表示非线性函数;W′∈RF′*MF′表示权重矩阵,用于将连接的特征变换为F′维;hv表示中心节点u的邻居节点v的特征;||表示连接运算;
步骤S2中,对有标签和无标签联合出行数据的POI活动语义进行逆运算,得到对应的重构结果/>
步骤S3中,通过图结构Go和Gd结合重构结果计算对应的重构损失Lr;
式中:和/>分别表示图结构Go和Gd中的元素;/>和/>表示重构结果/>和/>中与/>和对应的重构向量;
步骤S2中,通过如下步骤对有标签的出行数据进行预测:
S211:通过相邻活动特征聚合每个节点自身的增强特征作为双重综合POI语义,生成具有双重综合POI语义的起点综合语义G′o和终点综合语义G′d;
S212:将起点综合语义G′o、时空情景Cst与全连接层结合作为查询host;
S213:建立反馈网络为相容函数的多头soft-attention模型,然后基于查询host计算POI类别u∈G′d的注意力系数和最终的出行活动语义/>
S214:通过Softmax分类器结合出行活动语义进行分类得到对应的预测结果;
步骤S212中,通过如下公式计算查询host:
host=tanh(Wfc1[Flatten(G′o)||Cst]+bfc1);
式中:host表示G′o和Cst非线性组合起来的在soft-attention模型里的query;G′o表示起点综合语义;Cst表示时空情境;和bfc1表示使用的全连接层参数;Flatten表示Flatten操作;tanh表示非线性激活函数;
S213中,通过如下公式计算POI类别u∈G′d的注意力系数
通过如下公式计算联合出行活动语义
式中:Wq、Wk和b表示相容函数的参数;M′表示注意头的数量;表示参数矩阵,用于将串联的多头特征转换为|h′u|尺寸;/>表示第m′次注意的注意力系数;.T表示转置运算;h′u、h′s分别表示POI类别u和s的双重综合POI语义;
步骤S214中,通过如下步骤生成预测结果:
S2141:在出行活动语义上使用/>神经元的全连接层输出原始结果z;
z=Wfc2Η+bfc2;式中:Wfc2和bfc2表示全连接层的可学习参数;表示候选出行意图;/>表示候选出行意图的数量;
S2142:执行softmax函数,得到第i个候选活动为实际出行意图y的预测概率/>
式中:zi表示第i个神经元的结果;zj表示第j个神经元的结果;FC表示全连接层;CI表示POI签到数据;tr表示对应的出行数据;
S2143:选取预测概率最高的候选出行意图/>作为出行意图预测的结果;
S3:分别基于预测结果和重构结果计算对应的预测损失和重构损失,通过预测损失和重构损失联合训练出行意图预测模型;
步骤S3中,通过如下方式计算预测损失Lc;
式中:y(i)和表示第i个候选的实际出行意图和预测概率;
步骤S3中,对预测损失和重构损失进行加权计算得到对应的总损失L,基于总损失L训练出行意图预测模型;
L=Lc+λ*Lr;
式中:Lc表示预测损失;Lr表示重构损失;λ表示设置的权重系数;
S4:重复执行步骤S2至步骤S3,直至出行意图预测模型收敛;
S5:通过训练后的出行意图预测模型完成出行意图的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210348934.9A CN114692976B (zh) | 2022-04-01 | 2022-04-01 | 基于半监督图嵌入框架的出行意图预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210348934.9A CN114692976B (zh) | 2022-04-01 | 2022-04-01 | 基于半监督图嵌入框架的出行意图预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692976A CN114692976A (zh) | 2022-07-01 |
CN114692976B true CN114692976B (zh) | 2024-05-07 |
Family
ID=82141407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210348934.9A Active CN114692976B (zh) | 2022-04-01 | 2022-04-01 | 基于半监督图嵌入框架的出行意图预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692976B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545759B (zh) * | 2022-09-27 | 2023-05-19 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508749A (zh) * | 2018-11-30 | 2019-03-22 | 重庆大学 | 一种基于深度知识表达的聚类分析系统及方法 |
CN113095439A (zh) * | 2021-04-30 | 2021-07-09 | 东南大学 | 基于注意力机制的异构图嵌入学习方法 |
CN113870869A (zh) * | 2021-09-25 | 2021-12-31 | 河南工业大学 | 一种基于样本不均衡的半监督语音测谎方法 |
CN113869424A (zh) * | 2021-09-29 | 2021-12-31 | 重庆理工大学 | 基于双通道图卷积网络的半监督节点分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11538143B2 (en) * | 2018-10-26 | 2022-12-27 | Nec Corporation | Fully convolutional transformer based generative adversarial networks |
-
2022
- 2022-04-01 CN CN202210348934.9A patent/CN114692976B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508749A (zh) * | 2018-11-30 | 2019-03-22 | 重庆大学 | 一种基于深度知识表达的聚类分析系统及方法 |
CN113095439A (zh) * | 2021-04-30 | 2021-07-09 | 东南大学 | 基于注意力机制的异构图嵌入学习方法 |
CN113870869A (zh) * | 2021-09-25 | 2021-12-31 | 河南工业大学 | 一种基于样本不均衡的半监督语音测谎方法 |
CN113869424A (zh) * | 2021-09-29 | 2021-12-31 | 重庆理工大学 | 基于双通道图卷积网络的半监督节点分类方法 |
Non-Patent Citations (3)
Title |
---|
Enriching large-scale trips with fine-grained travel purposes: A semi-supervised deep graph embedding framework;Chengwu Liao;《IEEE Transactions on Intelligent Transportation Systems》;20220916;第24卷(第11期);13228-13239 * |
Wheels Know Why You Travel: Predicting Trip Purpose via a Dual-Attention Graph Embedding Network;Chengwu Liao;《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》;20220329;第6卷(第1期);1-22 * |
基于动作预测与环境条件的行人过街意图识别;杨彪;《汽车工程》;20210725;第43卷(第7期);1066-1076 * |
Also Published As
Publication number | Publication date |
---|---|
CN114692976A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Measuring human perceptions of a large-scale urban region using machine learning | |
Wang et al. | Unsupervised machine learning in urban studies: A systematic review of applications | |
CN114692976B (zh) | 基于半监督图嵌入框架的出行意图预测方法 | |
Chen et al. | Learning deep representation from big and heterogeneous data for traffic accident inference | |
Xu et al. | A framework for urban land use classification by integrating the spatial context of points of interest and graph convolutional neural network method | |
Jiang et al. | Transfer urban human mobility via poi embedding over multiple cities | |
Li et al. | Software and applications of spatial data mining | |
Xu et al. | A graph spatial-temporal model for predicting population density of key areas | |
CN114444794B (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
Hu et al. | Vehicular ad hoc network representation learning for recommendations in internet of things | |
Andersson et al. | Investigating crime rate prediction using street-level images and siamese convolutional neural networks | |
Liu et al. | POI Recommendation Method Using Deep Learning in Location‐Based Social Networks | |
Li | GeoAI in social science | |
Wu et al. | Meta transfer learning-based super-resolution infrared imaging | |
Qian et al. | Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction | |
Tang et al. | PSNet: Change detection with prototype similarity | |
Alhichri | RS-DeepSuperLearner: fusion of CNN ensemble for remote sensing scene classification | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
Liao et al. | Enriching large-scale trips with fine-grained travel purposes: A semi-supervised deep graph embedding framework | |
Yao et al. | Predicting mobile users' next location using the semantically enriched geo-embedding model and the multilayer attention mechanism | |
Ahmed et al. | DeepRoadNet: A deep residual based segmentation network for road map detection from remote aerial image | |
Jia et al. | The Hierarchical Clustering of Human Mobility Behaviors | |
Solomon et al. | Predicting application usage based on latent contextual information | |
Ge et al. | Theory and method of data collection for mixed traffic flow based on image processing technology | |
Hasanin | A Spatio-demographic Analysis over Twitter Data Using Artificial 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 |