申请/专利权人：北京工业大学

申请日：2022-03-23

公开（公告）日：2024-04-02

公开（公告）号：CN115146695B

主分类号：G06F18/2413

分类号：G06F18/2413;G06N3/042;G06N3/08;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.10.25#实质审查的生效;2022.10.04#公开

摘要：一种基于超图注意力网络的公共交通出行群体分类方法属于智能交通系统领域，旨在解决出行群体分类问题。首先，利用KNNK‑NearestNeighbor网络将公共交通个体出行特征数据构建出超图表示，其中节点表示出行个体，超边为KNN建模的出行个体间的属性拓扑关系；接下来使用超图注意力网络HGAT学习超图中节点的表示，共分为两步。第一步，用节点注意力来学习节点的特征表示。第二步，采用另一个聚合器来聚合节点的最终表示；最后，将节点的表示输入到线性层，进行出行群体的分类，并采用交叉熵损失来优化模型的预测能力。实验证明，本发明能够实现对于公共交通出行群体的精准分类，且准确度有了很大的提升。

主权项：1.一种基于超图注意力网络的公共交通出行群体分类方法包含以下步骤：步骤一：利用KNN算法构建出个体出行特征数据的超图表示；步骤二：利用超图注意力网络学习步骤一中构建的超图中节点的表示；步骤三：将步骤二学习到的节点特征表示输入到线性层，用以获取分类结果；步骤四：计算损失；由于主要是做公共交通出行群体分类任务，因此采用交叉熵损失作为的损失函数；步骤一中对于出行特征数据的量化形式采用KNN算法构建出个体出行特征数据的超图表示；利用KNN算法构建超图关键点在于节点距离计算和K值的选取；对于距离计算问题，选取欧氏距离作为度量方式；个体出行特征数据具有d维特征，因此第i个出行个体对应的节点特征可表示为Xi＝xi1，xi2，…，xidT；两个出行个体节点之间的特征相似度计算公式如下： 其中，D·表示计算欧氏距离，Xi，Xj分别表示出行个体i和出行个体j对应的节点特征；xih表示出行个体i的第h个特征，xjh表示出行个体j的第h个特征，其中1≤h≤d；d是出行个体的特征总数；对于K值的选取，采用交叉验证的方法，选取错误率最低的K值；在确定了KNN算法的节点距离计算方法和K值的选取方法后，就利用KNN分类算法构造出超图的超边；假设KNN分类结果为m类，则个体出行特征数据的超图表示为G＝V，ε，其中V＝{v1，v2，…，vn}为节点集，ε＝{e1，e2，…，em}为超边集，n为出行个体总数；步骤二中利用超图注意力网络学习超图中节点的表示；超图注意力网络分为节点注意力的计算和超边特征的聚合两个部分；首先，给定一个超图G，由于超边ej∈ε中所有节点对于超边的贡献并不相等，因此引入了节点级注意力机制来突出那些对于超边含义重要的节点，然后对它们进行聚合，来计算超边的表示： 其中，fj是第j个超边ej的超边表示，σ·为激活函数ReLU，hi是第i个节点vi的节点表示，W1为可训练权重矩阵，vi∈ej表示超边ej所关联的任意节点vi，αji为节点vi在超边ej中的注意力系数，计算方法为： ui＝LeakyReLUW1hiup＝LeakyReLUW1hp其中，a1为权重向量，vp∈ej表示超边ej所关联的任意节点vp，W1为可训练权重矩阵，hi是第i个节点vi的节点表示，hp是第p个节点vp的节点表示，dis·表示计算欧氏距离，exp·表示计算指数函数，LeakyReLU·为激活函数；接下来，在获得超边的表示后，采用另一个聚合器来聚合节点的表示，由于节点与超边的交互都发生在相同的特征区间内，因此对于聚合过程中每个超边赋予相同的权重： 其中，h`i是第i个节点vi聚合后的节点表示，W2为可训练权重矩阵，fj是第j个超边ej的超边表示。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于超图注意力网络的公共交通出行群体分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD