[发明专利]基于多图卷积网络的景区交通量预测模型建立和预测方法

权利要求书

1.一种基于多图卷积网络的景区交通量预测模型建立方法，其特征在于，包括如下步骤：

步骤1：获取景区的多源异构数据，对景区的多源异构数据提取特征，获得景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图；

步骤2：获取景区历史交通流量，对景区历史交通流量提取特征，获得景区的历史交通流量矩阵；

步骤3：建立构建多图卷积循环神经网络模型，将历史交通流量矩阵、景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图作为输入，将景区预测交通流量作为输出，训练模型，将训练好的模型作为景区交通流量预测模型；

所述多图卷积循环神经网络模型包括图卷积网络和循环门控单元，所述图卷积网络用于根据历史交通流量矩阵、景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图输出景区特征图的深度特征并根据景区特征图的深度特征建立多特征融合矩阵，所述循环门控单元用于根据多特征融合矩阵输出景区预测交通流量；

所述景区流行度特征图的邻接矩阵P通过式1获得：

其中，V_i和V_j为景区集合中任意第i个和第j个景区，和分别为V_i和V_j的用户评论数，为V_i和V_j的流行相似度，的取值范围为[0,1]，i和j为正整数；

所述景区功能相似性特征图的邻接矩阵F通过式2获得：

其中，V_i和V_j为景区集合中任意第i个和第j个景区，和分别为V_i和V_j内各类POI数量组成的向量，r表示POI的类别总数，k表示第k类，表示V_i的第k类POI数量，表示V_j的第k类POI数量，i、j、r和k均为正整数；

所述景区距离特征图的邻接矩阵L通过式3获得：

其中，V_i和V_j为景区集合中任意第i个和第j个景区，dist(V_i,V_j)表示V_i和V_j之间的距离且R为地球半径，和分别为V_i和V_j的经度，和分别为V_i和V_j的纬度，maxmin表示最大最小归一化，n表示景区的数量，i、j∈n，i、j和n均为正整数；

所述景区交通通达度特征图的邻接矩阵T通过式4获得：

其中，T_i,j表示任意第i个景区和第j个景区的交通通达度，convenienttransportation表示第i个景区和第j个景区在同一路段上；

所述景区的历史交通流量矩阵采用式5获得

其中，x_mn表示第m时间间隔时第n个景区的交通流量值，m表示时间间隔的数量，n表示景区的数量；

步骤3训练时的损失函数为：

其中，Y_t表示t时间段内的实际交通流量，表示t时间段内预测交通流量，L_reg是L2正则化项，μ是属于[0,1]的超参数。

2.一种基于多图卷积网络的景区交通量预测方法，其特征在于，包括如下步骤：

步骤a：获取目标景区的历史交通流量和目标景区的多源异构数据；

步骤b：对目标景区的多源异构数据提取特征，获得目标景区的景区流行度特征图、目标景区的景区功能相似性特征图、目标景区的景区距离特征图和目标景区的景区交通通达度特征图；对目标景区的历史交通流量提取特征，获得目标景区的历史交通流量矩阵；

步骤c：将目标景区的景区流行度特征图、目标景区的景区功能相似性特征图、目标景区的景区距离特征图和目标景区的景区交通通达度特征图和目标景区的历史交通流量矩阵输入景区交通量预测模型预测交通流量，所述的景区交通量预测模型采用如权利要求1所述的基于多图卷积网络的景区交通量预测模型建立方法获得，输出目标景区的预测交通流量；

所述景区多源异构数据包括景区评论数据、景区POI数据、景区的地理坐标和道路网络数据。