CN115965144A - 船舶交通流预测方法、系统、装置及存储介质 - Google Patents

船舶交通流预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN115965144A
CN115965144A CN202211724552.8A CN202211724552A CN115965144A CN 115965144 A CN115965144 A CN 115965144A CN 202211724552 A CN202211724552 A CN 202211724552A CN 115965144 A CN115965144 A CN 115965144A
Authority
CN
China
Prior art keywords
information
characteristic information
traffic flow
ship
ship traffic
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.)
Pending
Application number
CN202211724552.8A
Other languages
English (en)
Inventor
陈德山
黄琛
范腾泽
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202211724552.8A priority Critical patent/CN115965144A/zh
Publication of CN115965144A publication Critical patent/CN115965144A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种船舶交通流预测方法、系统、装置及存储介质,涉及船舶通航技术领域。本申请根据实际航道网建立航道网拓扑图得到航道网拓扑信息后,采用知识图谱三元组对航道网拓扑信息进行处理得到航行环境知识图谱,然后采用知识图谱嵌入技术处理航行环境知识图谱和船舶交通流信息得到船舶交通特征信息,通过门控循环单元处理船舶交通特征信息得到交通时序特征信息,将交通时序特征信息输入图卷积神经网络进行预测得到考虑交通时空相关性和环境影响因素的交通流预测信息,提高船舶交通流预测的准确性。

Description

船舶交通流预测方法、系统、装置及存储介质
技术领域
本发明涉及船舶通航技术领域,尤其涉及一种船舶交通流预测方法、系统、装置及存储介质。
背景技术
随着内河船舶通行需求显著提升,对海事交通监管提出巨大挑战。船舶交通流是一种经典的时空数据,不仅呈时间周期性,还具有空间相关性,单纯基于时间序列进行船舶交通流预测会造成预测精度低等问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种船舶交通流预测方法、系统、装置及存储介质,能够提高船舶交通流预测的准确性。
一方面,本发明实施例提供了一种船舶交通流预测方法,包括以下步骤:
根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱;
基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
将所述船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
根据本发明一些实施例,所述基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息包括以下步骤:
采用TransE算法对所述航行环境知识图谱进行处理,得到航行环境特征信息;
采用TransR算法对所述航行环境特征信息和船舶交通流信息进行处理,得到船舶交通特征信息。
根据本发明一些实施例,所述航道网拓扑图表示如下:
G=(V,E);
其中,V={v1,v2,L,vN}表示航道节点集,vi表示第i个节点,N是节点数量,E={e1,e2,L,eM}表示航道边集,ej表示第j条边,M是边数量;
航道节点之间的连通关系通过邻接矩阵A表示,邻接矩阵A中元素aij表示节点i和节点j的相互连通关系。
根据本发明一些实施例,所述采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱包括以下步骤:
根据所述航道网拓扑信息构建关系三元组,关系三元组R表示为:
R={(vi,aij,vj),i,j∈{1,2,L,n}};
其中,vi表示第i个节点,aij表示节点i和节点j的相互连通关系,n为节点数量;
根据所述航道网拓扑信息和航行环境信息构建属性三元组,属性三元组R_att表示为:
R_att={(vi,attl,attl_vi),i,j∈{1,2,L,n},l∈{1,2,L,L}};
其中,attl为第l类属性,attl_vi为节点vi对应的属性值,L为属性类别数量;
根据所述关系三元组和所述属性三元组构建航行环境知识图谱,航行环境知识图谱KG表示为:
KG={R,R_att}。
根据本发明一些实施例,所述采用TransE算法对所述航行环境知识图谱进行处理,得到航行环境特征信息包括以下步骤:
根据所述航行环境知识图谱中的三元组确定三元组损失函数;
采用TransE算法训练所述三元组损失函数,得到航行环境特征信息;
其中,所述三元组损失函数表示为:
Figure BDA0004029124560000021
其中,S为三元组集合,S′(h,l,t)为更新后三元组集合,γ为边缘超参数,h为主体向量,l为关系向量,t为客体向量。
根据本发明一些实施例,所述船舶交通特征信息表示为:
X′t=Rule(xextw+b);
其中,X′t为t时刻的船舶交通特征信息,xe为航行环境特征信息,xt为t时刻的船舶交通流信息,w为线性变换参数,b为偏置常数,Rule为TransR算法的知识表示学习过程。
根据本发明一些实施例,所述将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息包括以下步骤:
对所述交通时序特征信息进行分割,得到多个子交通时序特征信息;
分别对多个子交通时序特征信息进行权重计算,得到多个子特征权重;
基于多个所述子交通时序特征信息和对应的子特征权重进行加权求和,得到节点的预测结果;
对多个节点的所述预测结果进行拼接,得到交通流预测结果。
另一方面,本发明实施例还提供一种船舶交通流预测系统,包括:
第一模块,用于根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
第二模块,用于采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱;
第三模块,用于基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
第四模块,用于将所述船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
第五模块,用于将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
另一方面,本发明实施例还提供一种船舶交通流预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如前面所述的船舶交通流预测方法。
另一方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如前面所述的船舶交通流预测方法。
本发明上述的技术方案至少具有如下优点或有益效果之一:根据实际航道网建立航道网拓扑图得到航道网拓扑信息后,采用知识图谱三元组对航道网拓扑信息进行处理得到航行环境知识图谱,然后采用知识图谱嵌入技术处理航行环境知识图谱和船舶交通流信息得到船舶交通特征信息,通过门控循环单元处理船舶交通特征信息得到交通时序特征信息,将交通时序特征信息输入图卷积神经网络进行预测得到考虑交通时空相关性和环境影响因素的交通流预测信息,提高船舶交通流预测的准确性。
附图说明
图1是本发明实施例提供的船舶交通流预测方法流程图;
图2是本发明实施例提供的船舶交通流预测装置示意图;
图3是本发明实施例提供的TransR算法的知识表示学习过程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系,仅是为了便于描述本发明和简化描述,而不是指示或者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。
本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
知识图谱(Knowledge Graphs),是大规模语义网络知识库,采取符号化的知识表示方式,利用三元组来描述具体的知识,并以有向图的形式对其进行表示和存储,具有语义丰富、结构友好、易于理解等优点。
知识图谱嵌入(Knowledge Graph Embedding),是解决知识图谱补全问题的重要方法之一,它通过将知识图谱中的实体(Entity)和关系(Relation)嵌入到连续向量空间,从而在方便计算的同时保留知识图谱中的结构信息。知识图谱嵌入技术包括TransE算法、TransH算法和TransR算法等。
TransE算法,是一种用于表示图结构中节点及关系的嵌入表示的算法,表示学习旨在学习一系列低维稠密向量来表征语义信息,而知识表示学习是面向知识库中实体和关系的表示学习。TransE基于实体和关系的分布式向量表示,将每个三元组实例(head,relation,tail)中的关系relation看做从实体head到实体tail的翻译(向量相加),通过不断调整h、r和t(head、relation和tail的向量),使(h+r)尽可能与t相等,即,实体向量+关系向量=实体向量。
TransR算法,是一种用于表示图结构中节点及关系的嵌入表示的算法,在单独的实体空间和关系空间中构建实体和关系嵌入,首先将实体从实体空间投影到相应的关系空间,然后在投影实体之间建立翻译来学习嵌入。
门控循环单元(GRU),是一种常用的门控循环神经网络,能够捕捉时间序列中时间步距离较大的依赖关系。
本发明实施例提供了一种船舶交通流预测方法,参照图1,本发明实施例的船舶交通流预测方法包括但不限于步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100,根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
步骤S200,采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱;
步骤S300,基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
步骤S400,将船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
步骤S500,将交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
在实施例中,将航道网拓扑信息转化为航行环境知识图谱能够增强船舶交通流预测中空间相关性分析,基于知识图谱嵌入技术考虑环境对交通流的影响,得到包含船舶交通流特征和航行环境的船舶交通特征信息,再基于船舶交通特征信息进行交通流预测,提高了预测的准确性和稳定性。
根据本发明一些具体实施例,步骤S110中的航道网拓扑图采用未加权图G=(V,E)进行表示,V={v1,v2,L,vN}表示航道节点集,vi表示第i个节点,节点可以是实际航道网中每一个河口或桥区,N是航道网拓扑图中节点数量。E={e1,e2,L,eM}表示航道边集,反映航道网节点间的邻接关系,ej表示第j条边,M是边数量。
进一步地,使用特征矩阵X表示实际航道网中对应节点的属性特征,其中X=RN×P,P代表每个节点的输入特征数,R代表实数,N代表节点的数量。
使用邻接矩阵A表示航道节点之间的相互连通关系,邻接矩阵A中各元素的值如公式(1)所示:
Figure BDA0004029124560000051
其中,aij表示节点i和节点j的相互连通关系。
根据本发明一些具体实施例,步骤S200中,采用知识图谱三元组对航道网拓扑信息进行处理,得到航行环境知识图谱这一步骤包括但不限于以下步骤:
步骤S210,根据航道网拓扑信息构建关系三元组;
关系三元组R如公式(2)所示:
R={(vi,aij,vj),i,j∈{1,2,L,n}};   (2)
其中,vi表示第i个节点,aij表示节点i和节点j的相互连通关系,n为节点数量。
步骤S220,根据所述航道网拓扑信息和航行环境信息构建属性三元组;
属性三元组R_att如公式(3)所示:
R_att={(vi,attl,attl_vi),i,j∈{1,2,L,n},l∈{1,2,L,L}};   (3)
其中,attl为节点vi的第l类属性特征,attl_vi为节点vi对应的属性值,L为属性类别数量。
步骤S230,根据关系三元组和属性三元组构建航行环境知识图谱;
航行环境知识图谱KG如公式(4)所示:
KG={R,R_att};   (4)
其中,R为关系三元组,R_att为属性三元组。
根据本发明一些具体实施例,步骤S300中,基于知识图谱嵌入技术,根据航行环境知识图谱和船舶交通流信息得到船舶交通特征信息这一步骤包括但不限于以下步骤:
步骤S310,采用TransE算法对航行环境知识图谱进行处理,得到航行环境特征信息;
步骤S320,采用TransR算法对航行环境特征信息和船舶交通流信息进行处理,得到船舶交通特征信息。
具体地,步骤S310中,采用TransE算法对航行环境知识图谱进行处理的具体过程为:
首先,根据航行环境知识图谱中的三元组确定三元组损失函数,损失函数如公式(5)所示:
Figure BDA0004029124560000061
其中,S为三元组集合,S′(h,l,t)为更新后三元组集合,γ为边缘超参数,h为主体向量,l为关系向量,t为客体向量。
d(h+l,t)表示三元组中主体向量和客体向量的距离,如公式(6)所示:
Figure BDA0004029124560000062
然后,采用TransE算法并结合上述损失函数训练三元组,采用L2范数求解正确三元组头实体相对于损失函数的梯度以更新三元组,损失函数的梯度如公式(7)所示:
Figure BDA0004029124560000063
三元组经过TransE算法训练后得到知识嵌入矩阵,该知识嵌入矩阵表征航行环境特征信息。
步骤S320中,船舶交通特征信息如公式(8)和图3所示:
X′t=Rule(xextw+b);   (8)
其中,X′t为t时刻的船舶交通特征信息,xe为航行环境特征信息,xt为t时刻的船舶交通流信息,w为线性变换参数,b为偏置常数,Rule为TransR算法的知识表示学习过程。
Rule过程的目标函数如公式(9)所示:
maxP(R,R_att|XE)=P(R|XE)P(R_att|XE);   (9)
具体地,
Figure BDA0004029124560000071
Figure BDA0004029124560000072
Figure BDA0004029124560000073
g(vi,adj,vj)=-||viMr+adj-vjMr||L1/L2+b1
Figure BDA0004029124560000074
h(vi,attl,attl_vi)=-||f(viWatt+batt)-Eatt_v||L1/L2+b2
其中,P(R,R_att|XE)为给定知识嵌入XE条件下关系三元组和属性三元组的联合概率,XE为航行环境特征信息,g(vi,adj,vj)和h(vi,attl,attl_vi)为能量函数,f为非线性函数,L1和L2为L1范数和L2范数,Mr为变换矩阵,Eatt_v为属性值的嵌入向量,Watt为线性变换,b1、b2和batt为偏置项。
根据本发明一些具体实施例,步骤S400中,门控循环单元中对船舶交通特征信息进行处理输出交通时序特征信息的过程如公式(10)~(13)所示:
ut=σ(Wugc([X′t,ht-1],A)+bu);   (10)
rt=σ(Wrgc([X′t,ht-1],A)+br);   (11)
ct=tanh(Wcgc([X′t,(rt⊙ht-1)],A)+bc);   (12)
ht=ut⊙ht-1+(1-ut)⊙ct;   (13)
其中,⊙为哈德马尔积,rt为复位门,ut为更新门,σ为门控信号,ct为力矩,Wu、Wr和Wc为权重,bu、br和bc为偏置项,ht为时刻t的输出。
根据本发明一些具体实施例,步骤S500,将交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息这一步骤包括但不限于以下步骤:
步骤S510,对交通时序特征信息进行分割,得到多个子交通时序特征信息;
步骤S520,分别对多个子交通时序特征信息进行权重计算,得到多个子特征权重;
步骤S530,基于多个子交通时序特征信息和对应的子特征权重进行加权求和,得到节点的预测结果;
步骤S540,对多个节点的预测结果进行拼接,得到交通流预测结果。
具体地,在图卷积神经网络中,航道网中每个节点的预测结果如公式(14)所示:
Figure BDA0004029124560000081
其中,σ为激活函数,
Figure BDA0004029124560000082
为具有自连接的邻接矩阵,
Figure BDA0004029124560000083
为度矩阵,Wl为权矩阵,yt′为预测结果。
图卷积神经网络迭代训练过程所采用的损失函数如公式(15)所示:
Figure BDA0004029124560000084
其中,Y表示真实交通流数据,
Figure BDA0004029124560000085
表示预测交通流数据,n为数据样本量。
本发明实施例可以使用均方根误差值(RMSE)、平均绝对误差值(MAE)和平均绝对百分比误差值(MAPE)表示图卷积神经网络的预测精度,计算公式分别如公式(16)~(18)所示:
Figure BDA0004029124560000086
Figure BDA0004029124560000087
Figure BDA0004029124560000088
其中,
Figure BDA0004029124560000089
为真实船舶交通信息,
Figure BDA00040291245600000810
为第i个节点的第j个预测值,M为时间样本,N为节点数量。
本发明实施例还提供一种船舶交通流预测系统,包括:
第一模块,用于根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
第二模块,用于采用知识图谱三元组对航道网拓扑信息进行处理,得到航行环境知识图谱;
第三模块,用于基于知识图谱嵌入技术,根据航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
第四模块,用于将船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
第五模块,用于将交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
可以理解的是,上述船舶交通流预测方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述船舶交通流预测方法实施例相同,并且达到的有益效果与上述船舶交通流预测方法实施例所达到的有益效果也相同。
参照图2,图2是本发明一个实施例提供的船舶交通流预测装置的示意图。本发明实施例的船舶交通流预测装置包括一个或多个控制处理器和存储器,图2中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接,图2中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该船舶交通流预测装置。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。
本领域技术人员可以理解,图2中示出的装置结构并不构成对船舶交通流预测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
实现上述实施例中应用于船舶交通流预测装置的船舶交通流预测方法所需的非暂态软件程序以及指令存储在存储器中,当被控制处理器执行时,执行上述实施例中应用于船舶交通流预测装置的船舶交通流预测方法。
此外,本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的船舶交通流预测方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种船舶交通流预测方法,其特征在于,包括以下步骤:
根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱;
基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
将所述船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
2.根据权利要求1所述的船舶交通流预测方法,其特征在于,所述基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息包括以下步骤:
采用TransE算法对所述航行环境知识图谱进行处理,得到航行环境特征信息;
采用TransR算法对所述航行环境特征信息和船舶交通流信息进行处理,得到船舶交通特征信息。
3.根据权利要求2所述的船舶交通流预测方法,其特征在于,所述航道网拓扑图表示如下:
G=(V,E);
其中,V={v1,v2,L,vN}表示航道节点集,vi表示第i个节点,N是节点数量,E={e1,e2,L,eM}表示航道边集,ej表示第j条边,M是边数量;
航道节点之间的连通关系通过邻接矩阵A表示,邻接矩阵A中元素aij表示节点i和节点j的相互连通关系。
4.根据权利要求3所述的船舶交通流预测方法,其特征在于,所述采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱包括以下步骤:
根据所述航道网拓扑信息构建关系三元组,关系三元组R表示为:
R={(vi,aij,vj),i,j∈{1,2,L,n}};
其中,vi表示第i个节点,aij表示节点i和节点j的相互连通关系,n为节点数量;
根据所述航道网拓扑信息和航行环境信息构建属性三元组,属性三元组R_att表示为:
R_att={(vi,attl,attl_vi),i,j∈{1,2,L,n},l∈{1,2,L,L}};
其中,attl为第l类属性,attl_vi为节点vi对应的属性值,L为属性类别数量;
根据所述关系三元组和所述属性三元组构建航行环境知识图谱,航行环境知识图谱KG表示为:
KG={R,R_att}。
5.根据权利要求4所述的船舶交通流预测方法,其特征在于,所述采用TransE算法对所述航行环境知识图谱进行处理,得到航行环境特征信息包括以下步骤:
根据所述航行环境知识图谱中的三元组确定三元组损失函数;
采用TransE算法训练所述三元组损失函数,得到航行环境特征信息;
其中,所述三元组损失函数表示为:
Figure FDA0004029124550000021
其中,S为三元组集合,S′(h,l,t)为更新后三元组集合,γ为边缘超参数,h为主体向量,l为关系向量,t为客体向量。
6.根据权利要求5所述的船舶交通流预测方法,其特征在于,所述船舶交通特征信息表示为:
X′t=Rule(xextw+b);
其中,X′t为t时刻的船舶交通特征信息,xe为航行环境特征信息,xt为t时刻的船舶交通流信息,w为线性变换参数,b为偏置常数,Rule为TransR算法的知识表示学习过程。
7.根据权利要求1所述的船舶交通流预测方法,其特征在于,所述将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息包括以下步骤:
对所述交通时序特征信息进行分割,得到多个子交通时序特征信息;
分别对多个子交通时序特征信息进行权重计算,得到多个子特征权重;
基于多个所述子交通时序特征信息和对应的子特征权重进行加权求和,得到节点的预测结果;
对多个节点的所述预测结果进行拼接,得到交通流预测结果。
8.一种船舶交通流预测系统,其特征在于,包括:
第一模块,用于根据实际航道网建立航道网拓扑图,得到航道网拓扑信息;
第二模块,用于采用知识图谱三元组对所述航道网拓扑信息进行处理,得到航行环境知识图谱;
第三模块,用于基于知识图谱嵌入技术,根据所述航行环境知识图谱和船舶交通流信息得到船舶交通特征信息;
第四模块,用于将所述船舶交通特征信息输入门控循环单元,得到交通时序特征信息;
第五模块,用于将所述交通时序特征信息输入图卷积神经网络进行预测,得到交通流预测信息。
9.一种船舶交通流预测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如权利要求1至7任一项所述的船舶交通流预测方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至7任一项所述的船舶交通流预测方法。
CN202211724552.8A 2022-12-30 2022-12-30 船舶交通流预测方法、系统、装置及存储介质 Pending CN115965144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211724552.8A CN115965144A (zh) 2022-12-30 2022-12-30 船舶交通流预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211724552.8A CN115965144A (zh) 2022-12-30 2022-12-30 船舶交通流预测方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115965144A true CN115965144A (zh) 2023-04-14

Family

ID=87358475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211724552.8A Pending CN115965144A (zh) 2022-12-30 2022-12-30 船舶交通流预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115965144A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037547A (zh) * 2023-10-07 2023-11-10 交通运输部水运科学研究所 一种航道关键节点的拥堵程度评价方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037547A (zh) * 2023-10-07 2023-11-10 交通运输部水运科学研究所 一种航道关键节点的拥堵程度评价方法、系统及存储介质
CN117037547B (zh) * 2023-10-07 2023-12-19 交通运输部水运科学研究所 一种航道关键节点的拥堵程度评价方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109635917B (zh) 一种多智能体合作决策及训练方法
Santoro et al. Meta-learning with memory-augmented neural networks
CN109711529B (zh) 一种基于值迭代网络的跨领域联邦学习模型及方法
Kurach et al. Neural random-access machines
CN110766038B (zh) 无监督式的地貌分类模型训练和地貌图构建方法
CN113159283B (zh) 一种基于联邦迁移学习的模型训练方法及计算节点
CN106777125A (zh) 一种基于神经网络及图像关注点的图像描述生成方法
CN111241306B (zh) 一种基于知识图谱和指针网络的路径规划方法
CN113936275A (zh) 一种基于区域特征对齐的无监督域适应语义分割方法
CN111507459B (zh) 降低神经网络的注解费用的方法和装置
CN111782840A (zh) 图像问答方法、装置、计算机设备和介质
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN112052818A (zh) 无监督域适应的行人检测方法、系统及存储介质
CN115965144A (zh) 船舶交通流预测方法、系统、装置及存储介质
CN111488979A (zh) 设备上持续学习用于分析输入数据的神经网络的方法及装置
CN116664719A (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN114330554A (zh) 一种面向智能安防的视觉深度模型知识重组方法
CN113591988A (zh) 知识认知结构分析方法、系统、计算机设备、介质、终端
CN113554653A (zh) 基于互信息校准点云数据长尾分布的语义分割方法
KR20200094076A (ko) 스마트폰, 드론, 선박 혹은 군사적 목적을 위한, 트레이닝 이미지의 최적화 샘플링에 의해 입력 데이터를 분석하는 뉴럴 네트워크의 온디바이스 연속 학습 방법 및 장치, 그리고, 이를 이용한 테스트 방법 및 장치
CN115440384A (zh) 一种基于多任务学习的医疗知识图谱的处理方法及系统
CN114819325A (zh) 基于图神经网络的成绩预测方法、系统、装置及存储介质
CN114330712B (zh) 一种神经网络的训练方法、系统、设备以及介质
Dutta Seeing Objects in Dark with Continual Contrastive Learning

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