申请/专利权人：南京理工大学

申请日：2023-03-20

公开（公告）日：2024-04-23

公开（公告）号：CN116363874B

主分类号：G08G1/01

分类号：G08G1/01;G06N3/042;G06N3/0464;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.07.18#实质审查的生效;2023.06.30#公开

摘要：本发明公开了一种融合多模式高阶语义相关性的城市交通超图卷积预测方法，包括：提取各个交通区域之间的静态空间拓扑数据与动态交通状态数据，构建交通区域邻接矩阵、近期交通状态特征矩阵以及历史交通状态特征矩阵；根据所提取的数据建立空间拓扑超图、近期语义超图以及历史语义超图；将三个超图拼接后得到新的融合超图，在此基础上构建深度超图卷积网络，逐层进行超图卷积；利用训练集对模型进行训练，获得最优模型参数，利用最优模型对下一时刻的交通状况进行预测。本发明将超图数据结构引入到交通状况的复杂相关性建模中，不仅考虑了交通区域的二阶空间相邻性，同时考虑了交通状态的多模式高阶语义相关性，提高了路网交通状态预测的准确性。

主权项：1.一种融合多模式高阶语义相关性的城市交通超图卷积预测方法，其特征在于，包括以下步骤：步骤1：提取目标地区中各个交通区域之间的静态空间拓扑数据与动态交通状态数据，构建交通区域邻接矩阵、以时间段为间隔的近期交通状态特征矩阵以及以天为间隔的历史交通状态特征矩阵，具体步骤为：步骤11：提取目标地区各个交通区域之间的空间拓扑结构，记为邻接矩阵Ag，邻接矩阵Ag数据表示为： 其中，agi,j是矩阵Ag第i行，第j列的元素，vi为图中的第i个节点，对应为第i个交通区域；步骤12：根据各个交通区域在不同时间段内的交通状态数据，构建当前时刻t以时间段为间隔的近期交通状态特征矩阵Xr，表示为： 其中，表示N个区域在时刻t的交通状况，N表示交通区域的数量，p表示时间段；特征矩阵Xr中每一个行向量i＝1,2,…,N，代表第i个区域的近期交通特征向量，列向量j＝1,2,…,p，表示所有区域在不同时间段的交通状态信息；步骤13：获取待预测时间段t+1在前q天的历史数据，构成以天为间隔的历史交通状态特征矩阵Xd，表示为： 其中表示N个区域在下一个时间段t+1的交通状况，Td表示每天包含的时间段的个数，q表示所考虑的天数；步骤2：根据所提取的数据建立基于二阶空间相邻性的空间拓扑超图、基于连续时间段交通状态特征的近期语义超图以及基于每日交通状态特征的历史语义超图，具体方法为：步骤21：根据特征矩阵Xr，利用KNN最近邻算法构建超边，具体为：对于每一个节点vi，i＝1,2,…,N，使用KNN算法在矩阵Xr的行向量中计算得到k-1个最近邻的节点；将节点vi和k-1个最近邻节点一同组建超边得到N条超边；将所有超边拼接成一个的矩阵，记为关联矩阵Hr，表示为： 其中hri,j是矩阵Hr第i行，第j列的元素；根据超边构建近期交通状况的语义超图其中表示交通区域的集合，表示近期语义超图中的超边集合；步骤22：根据特征矩阵Xd，利用KNN最近邻算法构建超边，将所有超边拼接构成关联矩阵Hd，表示为 其中是矩阵Hd的第j条超边；根据超边构建历史交通状态的语义超图其中表示历史语义超图中的超边集合；步骤23：根据提取的邻接矩阵Ag，构建基于二阶空间相邻性的空间拓扑超图用于反映交通状况的二阶空间关联性；对于邻接矩阵Ag的每一条边，将其视为仅包含两个节点的超边，以此构建空间拓扑超图该超图由一个的关联矩阵Hg描述，； 其中是Hg的第j条超边，表示不同交通区域之间的二阶相关性，εg表示空间拓扑超图中的超边集合；步骤3：将三个超图拼接后得到新的融合超图，以时间段交通状态特征矩阵、每日交通状态特征矩阵以及融合超图的关联矩阵作为输入构建深度超图卷积网络，逐层进行超图卷积，具体方法为：步骤31：将步骤2得到的空间拓扑超图、近期交通状态语义超图与历史交通状态语义超图对应的关联矩阵进行拼接，得到融合多模式高阶语义相关性的融合超图该融合超图由一个维度为的关联矩阵H描述；将步骤1中所建立的近期交通状态特征矩阵与历史交通状态特征矩阵拼接，构成综合交通状态特征矩阵步骤32：将步骤31中得到的关联矩阵H和特征矩阵X作为深度网络输入，进行超图卷积；所述深度网络由多个超图卷积层堆叠而成；各超图卷积层的计算公式为： 其中是超图中第l层的输入信号，是第l层的参数矩阵，σ是非线性激活函数，Dv,De和W分别是节点度矩阵、超边度矩阵与超边权重矩阵；步骤4：利用训练集对模型进行训练，获得最优模型参数，将下一时刻的交通状态特征输入至训练得到的最优模型，对下一时刻的交通状况进行预测，具体方法为：根据N个交通区域在T个时间段内的交通状态观测值，构建训练集其中为特征矩阵，为预测标签，p为特征的数量；将训练集输入至预测模型进行训练，模型训练的目标函数为： 式中，第一项是预测的均方差经验损失项，第二项是一个模型参数正则化项，表示超图上参数为Θ的预测模型，为损失函数，M＝T-p为样本的个数；模型训练后，将当前时刻的特征矩阵输入至训练后得到的最优模型，获得下一时刻交通状况的预测为： 其中为当前时刻的特征矩阵，为学习后的最优模型参数。

全文数据：

权利要求：

百度查询： 南京理工大学 融合多模式高阶语义相关性的城市交通超图卷积预测方法

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