[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

说明书

本发明公开了一种基于层次化图神经网络的路网表征学习方法，包括：(1)初始化(2)构建结构区域建模模型(3)构建功能区域建模模型(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：(6)采用GCN网络更新结构区域表征：(7)基于更新后的结构区域表征来更新路段表征。本发明提供的基于层次化图神经网络的路网表征的学习方法，能够更好的提取和利用路网信息。

技术领域

本发明涉及轨迹数据挖掘技术领域，更具体的说是涉及一种基于层次化图神经网络的路网表征的学习方法。

背景技术

在早期的智慧城市研究，比如交通速度预测，位置预测，路径规划等，通常将路网数据作为时空数据的约束，使用标准的图数据结构来进行算法开发，近期的解决方案大多使用深度学习实现，其利用网络或者图表征学习的方式，来获得路网上节点的表示，这样就可以提取和利用道路的基本特征，从而改善下游如路径推荐任务的性能。

然而，路网是一个非常复杂的系统，现有的方法并不能有效的对路网进行表征，主要有如下三点：

首先路网有功能性的划分，不同区域的功能与重要性不同，先前研究采用的标准图神经网络并不能描述这种层次结构。

除此之外，随着城市区域的增大，路网尤其是干线的长度随之增加，典型的出神经网络并不能较好的处理这种长期关系。

最后，路网主要蕴含的是结构特征，然而下游任务所需的其他信息并不能简单地从网络结构所获得。

因此，如何提供一种更好地提取和利用底层路网信息的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于层次化图神经网络的路网表征的学习方法，能够更好的提取和利用路网信息。

为了实现上述目的，本发明采用如下技术方案：

一种基于层次化图神经网络的路网表征学习方法，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：