一种基于GCN与强化学习的智能路径推荐方法技术

本发明专利技术公开了一种基于GCN与强化学习的智能路径推荐方法，首先将实时收集的RFID数据进行预处理，保证数据合理性与有效性；然后使用图卷积网络GCN实现交通路网建模预测部分，依赖历史数据与当前路网信息建模未来时段的交通状况；最后使用强化学习方法分析学习用户特征及其对路网各项属性的敏感程度，智能地给出充分利用路网多维语义信息、符合用户特征的推荐。本发明专利技术将图卷积网络与强化学习用于交通路网的建模预测与用户行为特征的学习，在进行路径推荐时考虑了路网丰富的多维时空信息及用户对路网不同属性的需求与敏感度，使得路径推荐更符合接近场景、更智能、个性化。个性化。个性化。

【技术实现步骤摘要】
一种基于GCN与强化学习的智能路径推荐方法


[0001]本专利技术属于计算机数据挖掘领域，特别涉及了一种智能路径推荐方法。

技术介绍

[0002]随着大数据时代的到来，越来越多的数据被收集利用，为社会创造了更多价值。其中，RFID等定位技术、智能移动设备以及时空数据库技术的发展，使得交通大数据可以便捷、准确、规范地采集并存储管理，基于位置的服务得以实现。在智慧交通、智慧城市等领域交通数据已被广泛使用，如何更好地利用交通数据，方便人们出行、优化城市交通状况，成为了普遍关注的问题。
[0003]近年人工智能技术的发展为大数据的处理、分析、挖掘带来了新的动力，在交通数据挖掘方面，常用的技术包括：循环神经网络如RNN、LSTM，图神经网络如GCN、GAT、STGCN，强化学习方法如DQN、VIN等。循环神经网络注重具有连续性的历史数据的挖掘，应用于使用历史轨迹预测用户位置、制订符合历史行为习惯的路径，以及使用历史通行数据进行交通流向预测等任务；图卷积网络方法常用于交通流量预测等任务，可以直接应用于任意图结构而不需要网格化处理，是目前交通领域主流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GCN与强化学习的智能路径推荐方法，其特征在于，包括以下步骤：(1)服务器构建初始的交通地图，抽象为全连通的路网G，用于记录图的顶点、边属性和权重矩阵；收集用户RFID格式的历史数据集R，其中每条数据记录R
c
包含车辆通过图顶点时的车辆信息和顶点环境信息；(2)服务器将步骤(1)收集的离散的历史数据转化为连续的轨迹数据，并对连续的轨迹数据进行预处理；(3)服务器利用图卷积网络GCN学习步骤(2)中预处理后的数据，获得对交通路网进行建模预测的能力；(4)用户向服务器发起包含路径推荐查询起始点、终点和时间的三元组，以出行时间作为主要推荐因素，在用户、路网、服务器三方交互中，服务器使用强化学习模型分析学习用户特征及其对路网各项属性的敏感程度；(5)服务器预测未来路网状况并进行符合用户特征与路网规律的智能路径推荐。2.根据权利要求1所述基于GCN与强化学习的智能路径推荐方法，其特征在于，在步骤(2)中，将离散的历史数据转化为连续的轨迹数据的方法如下：步骤(1)中收集的RFID格式的历史数据集R为离散的点记录集合，遍历计算出所有单次的移动记录H
c
(R
c
,R
c+1
)，并组合为用户轨迹；记录用户停留行为，并将轨迹分割为多段连续的轨迹H。3.根据权利要求1所述基于GCN与强化学习的智能路径推荐方法，其特征在于，在步骤(2)中，所述预处理包括去除冗余与孤立数据、清洗错误数据、填充数据缺失以及归一化。4.根据权利要求3所述基于GCN与强化学习的智能路径推荐方法，其特征在于，通过遍历比较去除冗余与孤立数据；使用限速作为阈值清洗错误数据；以误差10％为阈值进行数据缺失检测，并采用拉格朗日插值方法L(t)填充缺失：其中，t表示当前时刻，t0至t
N
为相邻时段，y
i
为相邻时段的交通流量数据。5.根据权利要求1所述基于GCN与强化学习的智能路径推荐方法，其特征在于，步骤(3)的具体过程如下：(301)初始化用于路网顶点属性预测的图卷积网络GCN，顶点属性包括位置、出入度、时间片内交通总流量、各方向流量、堵塞概率和用户经行次数；初始化预测边属性的BPNN，边属性包括通行时间消耗、用户经行与暂停次数和安全程度；(302)记路网顶点集属性为V
ε
...

【专利技术属性】
技术研发人员：秦小麟，费珂，朱润泽，迟贺宇，李瑭，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：