[发明专利]一种基于层次化图神经网络的路网表征的学习方法

权利要求书

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N_S；

(2)构建结构区域建模模型

基于结构区域的邻接矩阵A_S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，A_S)；

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A^SR；

A^SR＝softmax(M₁⊙W₁)；

基于第一分配矩阵A^SR利用结构区域表征N_R来拟合路段表征

其中，

基于拟合路段表征重建邻接矩阵

使用交叉熵函数计算第一重建损失：

其中，A_S[s_i，s_j]代表路段s_i和路段s_j之间实际上是否直接相连，若直接相连，则A_S[s_i，s_j]＝1，否则A_S[s_i，s_j]＝0；代表预测路段s_i和路段s_j之间是否直接相连，若直接相连，则否则s_i和s_j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A^SR和结构区域的邻接矩阵A_S计算区域节点的加权邻接矩阵A_R；

基于结构区域表征N_R和加权邻接矩阵A_R，利用GAT网络计算结构区域-功能区域关联矩阵M₂；

M₂＝GAT(N_R，A_R)；

基于结构区域-功能区域关联矩阵M₂计算第二分配矩阵A^RZ；

A^RZ＝softmax(M₂)；

基于第二分配矩阵A^RZ和结构区域表征N_R计算功能区域表征N_Z；

基于功能区域表征N_Z计算得到功能区域节点的邻接矩阵A_Z；

其中，σ为超参数；

基于第一分配矩阵A^SR、第二分配矩阵A^RZ和功能区域表征N_Z去拟合路段表征

基于路段表征重建矩阵

基于结构区域的邻接矩阵A_S和路段转移矩阵T计算联通矩阵C；

其中，λ为步长；

构建第二重建损失：

(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A^SR和新的第二分配矩阵A^RZ；

(5)采用GCN网络来更新功能区域表征：

其中，t代表网络层数；g^ZR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：

其中，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：

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A_S和对角矩阵D_s计算拉普拉斯矩阵L_s；

计算拉普拉斯矩阵L_s的前k_s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。