【技术实现步骤摘要】
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
[0001]本专利技术属于城市交通预测技术,具体为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。
技术介绍
[0002]在城市网络中提供主动的交通状况信息在交通管理和运营上具有重要意义和挑战性。由于交通网络的自然性和直观性,基于图卷积网络(GCN)的模型在交通预测中的潜力已经崭露头角,其关注度日益上涨。典型的GCN模型采用成对连接的方式,只能捕捉到顶点之间的二阶关联性。然而,隐藏在实际应用数据中的潜在相关性可能会超出成对的范围,它们更多表现为高阶的相关性,甚至在面对多源数据时更加复杂。
技术实现思路
[0003]为了解决现有技术中的上述技术缺陷,本专利技术提出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。
[0004]实现本专利技术目的的技术方案为: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,包括以下步骤:
[0005]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结构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;
[0006]步骤2:根据所提取的数据建立基于二阶空间关联性的拓扑超图、基于连续时间段交通状态特征的语义超图以及基于每日交通状态特征的语义超图;
[0007]步骤3:将三个超图拼接后得到的新超图,以时间段交通状态特征矩阵、每日交通状态特征矩阵以及新超图的关联矩阵作为输入构建深度超图卷积网络,逐层进 ...
【技术保护点】
【技术特征摘要】
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;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;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;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。2.根据权利要求1所述的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,提取目标地区中各个交通区域的静态空间拓扑数据与动态交通状态数据的具体步骤为: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A
g
,邻接矩阵A
g
数据表示为:其中,a
g
(i,j)是矩阵A
g
第i行,第j列的元素,v
i
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X
r
,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X
r
中每一个行向量代表第i个区域的近期交通特征向量,列向量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X
d
,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,T
d
表示每天包含的时间段的个数,q表示所考虑的天数。3.根据权利要求2所述的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,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的具体方法为:
步骤21:根据特征矩阵X
r
,利用KNN最近邻算法构建超边,具体为:对于每一个节点v
i
,i=1,2,L,N,使用KNN算法在矩阵X
r
的行向量中计算得到k
‑
1个最近邻的节点;将节点v
i
和k
‑
1个最近邻节点一同组建超边得到N条超边;...
【专利技术属性】
技术研发人员:唐坤,徐添,郭唐仪,何流,徐永能,刘英舜,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。