[发明专利]一种基于改进时空图卷积神经网络的救护车路线规划方法

权利要求书

1.一种基于改进时空图卷积神经网络的救护车路线规划方法，其特征在于，包括如下步骤：

S1：获取发生外出救护事件的医院的救护车出行记录，救护车出行记录数据属性包括：救护车出行记录所涉及救护范围内的所有交通道路数据；

S2：对救护车出行记录所涉及救护范围内的所有交通道路数据进行数据预处理；

S3：使用经S2处理的数据构建交通道路图结构，图结构采用邻接矩阵表示，从而得到前τ个时间段内的表示交通道路的图结构的邻接矩阵，以及获取图结构上所有节点的节点特征，其中节点的节点特征包括：交通流量；

S4：由时空图卷积神经网络STGCN中的图卷积神经网络GCN与深度残差网络ResNet结合，从而构建出残差时空图卷积神经网络RSTGCN，则将前τ个时间段内的表示交通道路图结构的邻接矩阵以及图结构上的节点的节点特征作为输入，训练残差时空图卷积神经网络RSTGCN，残差时空图卷积神经网络RSTGCN的训练中，代表时间的维度与代表图结构上的节点的节点特征的维度作卷积处理后，使得卷积后生成的维度中含有前τ个时间的维度的节点的节点特征信息，代表空间的维度作卷积处理后，使得卷积后的代表空间的维度结合了图结构信息；

S5：由S4中的残差时空图卷积神经网络输出下一时间段τ+1的更新后的图结构的节点特征表示，其向量表示记作y_τ+1。

2.根据权利要求1所述的一种基于改进时空图卷积神经网络的救护车路线规划方法，其特征在于，还包括：

S6：采用迭代更新方法，将S5中的输出通过teacher forcing机制，未来时间段要输入的所有节点的节点特征表示按时间顺序排列分别记作x¹,x²,...,x^τ,y_τ+1，第一次输入是x¹,x²,...,x^τ，输出得到y_τ+1，第二次输入是x¹,x²,...,x^τ,y_τ+1，把输出当成输入一起放进去，迭代tp次，得到τ+1至τ+tp个输出结果，这个tp就是预测未来时间段的长度。

3.根据权利要求1或2所述的一种基于改进时空图卷积神经网络的救护车路线规划方法，其特征在于，还包括：

S7:根据更新后的所有节点的节点特征表示，结合当前救护车出现路线，选择当前节点特征中交通流量最小的节点所代表的路段作为最优出行路径。

4.根据权利要求1所述的一种基于改进时空图卷积神经网络的救护车路线规划方法，其特征在于，S2中包括：

S21：删除患者求助信息重复的记录；

S22：删除救护车救助不完整的记录，包括：0值填充字段为空的记录；

S23：过滤所有救护车未行驶过的路段，保证在时间段内救护车交通速度值的完整性；

S24：路段的特征进行降维，删除部分特征，包括：路段的功能类别、路段的车道数；

S25：将时间间隔按照规定间隔划分；

S26：使用z_score对数据进行归一化处理，z_score公式如下：

其中x取为各个时间段上所有节点的节点特征表示x¹,x²,...,x^τ，并作为观测值，μ为总体数据的均值，σ为总体数据的标准差。

5.根据权利要求1所述的一种基于改进时空图卷积神经网络的救护车路线规划方法，其特征在于，S3中包括：

将路段作为节点，路段与路段之间的连接作为边，采用G(V,E,W)表示一个图的结构，V代表救护车经过的所有路段构成的集合，将所有路段构成的集合作为所有节点构成的集合，E代表节点之间的连接，W代表邻接矩阵，是一个有权矩阵，邻接矩阵W中包括路段之间转移的权值，w_ij代表路段i与路段j之间转移的权值，计算方式为：

σ²和ε控制邻接矩阵W的分布和稀疏性的值。