基于置信图卷积网络的交通资源分配方法、系统及介质技术方案

本发明专利技术公开了一种基于置信图卷积网络的交通资源分配方法、系统及介质，交通资源分配方法包括对当前实际交通网络和交通站点进行建模；通过图嵌入方法来对建模生成的交通网络图数据进行特征提取，从而确定特征提取向量；基于深度置信网络对特征提取向量进行处理，并将通过图卷积神经网络进行传播和更新，从而更新节点的特征表示并改变每个节点的标签类型，以生成目标拓扑结构，进而根据目标拓扑结构自动分配交通资源至相应的交通站点处，以实现一次交通资源的自动化分配。本发明专利技术可以及时响应交通站点的资源分配问题，从而实现更优地动态分配交通资源。分配交通资源。分配交通资源。

Traffic resource allocation method, system and medium based on confidence graph convolution network

【技术实现步骤摘要】
基于置信图卷积网络的交通资源分配方法、系统及介质


[0001]本专利技术涉及交通资源分配领域，特别涉及一种基于置信图卷积网络的交通资源分配方法、系统及介质。

技术介绍

[0002]交通资源广义上是指在交通运输行业中，各种技术条件下所有的运输方式的基础设计及其组合。交通资源的优化配置被直接考虑为各种交通运输方式基础设施的优化组合。智能交通资源分配系统首先建立在现实采样和数据分析的基础上，通过对现实场景进行抽象化建模，再以建模结果为基础使用先进的分析算方法来分析交通资源的最佳分配方式。
[0003]近年来，在宏观层面，我国交通运输业实现了跨越式的发展，以公共道路交通和高铁城际交通为主的交通网络在全国范围内大面积铺开，各大城市都建立了交通运输枢纽，跨省交通方式逐渐丰富，客运量和货运量均实现多年的同比连续增长。在微观层面，每个城市又拥有独立的局部交通资源，比如共享单车、城市轨道和公交车等。但是，随着交通资源网络规模的扩大，网络拓扑结构愈加复杂，意味着如何对交通资源进行高效率地分配成为难题。传统的交通资源分配无法动态捕获交通网络的变化情况，从而缺乏动态适应性分配的能力。
[0004]传统的卷积神经网络只能处理欧氏空间数据，如图像、文本、语音等，这些领域的数据具有平移不变性，平移不变性是指以任意像素点为中心，可以获取相同尺寸的局部结构。平移不变性使得在输入数据空间定义全局共享的卷积核，从而定义卷积网络。而图数据是一种非欧空间数据，其每个节点的局部结构各异，使得平移不变性不再满足，即图数据不具有平移不变性，故传统卷积神经网络中的基本算子(卷积和池化)都无法在图数据上实现应用的功能。
[0005]因此，现在需要一种能够解决上述问题的基于置信图卷积网络的交通资源分配方法、系统及介质。

技术实现思路

[0006]本专利技术的目的是提供一种应对交通网络中资源动态分配问题的基于置信图卷积网络的交通资源分配方法、系统及介质。
[0007]为达到上述目的，本专利技术采用的技术方案如下：
[0008]一种基于置信图卷积神经网络的交通资源分配方法，所述交通资源分配方法用于对交通资源的自动化分配，所述交通资源分配方法包括：
[0009]对当前实际交通网络和交通站点进行建模，其过程包括将所述实际交通网络转换生成交通网络图数据的边集合，并将部分交通站点转换生成交通网络图数据的节点集合；
[0010]通过图嵌入方法来对建模生成的交通网络图数据进行特征提取，从而确定特征提取向量；所述特征提取的过程包括获取所述节点的原始特征表示，并将所述原始特征表示
输入Skipgram模型处理得到最终的特征提取向量；
[0011]基于深度置信网络对所述特征提取向量进行处理，并将通过图卷积神经网络进行传播和更新，从而更新所述节点的特征表示并改变每个节点的标签类型，以生成目标拓扑结构，进而根据所述目标拓扑结构自动分配交通资源至相应的交通站点处，以实现一次交通资源的自动化分配；所述基于深度置信网络的处理过程包括基于RBM进行无监督预训练并通过CD
‑
k方法进行权值初始化，从而计算所述深度置信网络中隐藏层置信神经元被开启的概率分布，进而基于所述概率分布更新权重；所述基于图卷积神经网络进行传播和更新的过程包括通过池化传播对所述交通网络图数据的节点集合进行聚合；所述节点的标签类型表示与该节点对应的交通站点的当前交通资源的紧张程度，当所述紧张程度越高时，分配给相应的交通站点的交通资源越多。
[0012]进一步地，所述交通资源分配方法还包括：
[0013]在完成一次交通资源的自动化分配后更新当前实际交通网络的资源分配情况，并基于更新后的实际交通网络数据再次进行交通资源的自动化分配；其中，所述更新当前实际交通网络的的资源分配情况的方法包括：
[0014]根据经所述自动化分配后的实际交通网络中各个交通站点处交通资源的变化情况更新所有交通节点的特征矩阵，以得到新的交通网络图数据；
[0015]利用GCN网络模型对所述新的交通网络图数据进行傅里叶变换以及节点与邻居节点间的传播，其中，与所述目标拓扑结构相关的目标节点的特征根据其邻居节点的特征进行聚合；
[0016]根据聚合结果对所述目标节点的标签类型进行更新，同时开始反向传播，从而对所述目标节点的邻居节点的标签类型进行更新。
[0017]进一步地，所述获取节点的原始特征表示的方法包括：
[0018]重复以下步骤以采集多组节点序列：从所述图数据中的任意一个节点出发并在所述节点之间等概率地转移。
[0019]进一步地，所述将所述原始特征表示输入Skipgram模型处理得到最终的特征提取向量的方法包括：
[0020]在反向传播时更新隐藏层的部分权重，且根据与所述权重相关的节点出现概率判断是否更新所述权重，并继续对部分节点进行采样，且控制所述节点被采样的概率；
[0021]其中，所述权重被更新的概率根据下式确定：
[0022][0023]式中，P(v)
vi
为节点v
i
出现概率，Z(v
i
)为节点v
i
的权值，Z(v
j
)为节点v
j
的权值，v
i
、v
j
来自于交通网络图数据的节点集合；
[0024]其中，所述节点出现概率根据下式确定：
[0025][0026]式中，P(o
i
)为根据现有权重所构建的网络中节点o
i
出现概率，Z(o
i
)为根据现有权重所构建的网络中节点o
i
的权重。
[0027]进一步地，根据下式计算所述深度置信网络中隐藏层置信神经元被开启的概率分布：
[0028][0029]式中，为概率分布，v
(0)
来自于交通网络图数据的节点集合，θ为学习率，W
j
为待处理的向量矩阵，b
j
为偏置量。
[0030]进一步地所述基于深度置信网络的处理过程还包括：
[0031]根据计算得到的概率分布继续进行吉布斯采样(GIBBS采样)，并对所述深度置信网络中显层的神经元抽取相应的值以进行采样重构，从而更新得到新的权重和偏置，其过程通过下式表示：
[0032]W
←
W+λ[x(h
(0)
＝1)|z
(0)
]z
(0)T
‑
x(x
(1)
＝1|v(1))z
(1)T
[0033]式中，W为新的权重矩阵，λ、T为学习参数，x为采样概率，h
(0)
为第0层的隐层表示，所述h
(0)
的计算方法为0层在聚合操作结束后，将节点在不同子图上得到的结果相加，z
(0)
为第0层节点级别的输出，x
(1)
为第1层的采样概率，z本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述交通资源分配方法用于对交通资源的自动化分配，所述交通资源分配方法包括：对当前实际交通网络和交通站点进行建模，其过程包括将所述实际交通网络转换生成交通网络图数据的边集合，并将部分交通站点转换生成交通网络图数据的节点集合；通过图嵌入方法来对建模生成的交通网络图数据进行特征提取，从而确定特征提取向量；所述特征提取的过程包括获取所述节点的原始特征表示，并将所述原始特征表示输入Skipgram模型处理得到最终的特征提取向量；基于深度置信网络对所述特征提取向量进行处理，并将通过图卷积神经网络进行传播和更新，从而更新所述节点的特征表示并改变每个节点的标签类型，以生成目标拓扑结构，进而根据所述目标拓扑结构自动分配交通资源至相应的交通站点处，以实现一次交通资源的自动化分配；所述基于深度置信网络的处理过程包括基于RBM进行无监督预训练并通过CD
‑
k方法进行权值初始化，从而计算所述深度置信网络中隐藏层置信神经元被开启的概率分布，进而基于所述概率分布更新权重；所述基于图卷积神经网络进行传播和更新的过程包括通过池化传播对所述交通网络图数据的节点集合进行聚合；所述节点的标签类型表示与该节点对应的交通站点的当前交通资源的紧张程度，当所述紧张程度越高时，分配给相应的交通站点的交通资源越多。2.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述交通资源分配方法还包括：在完成一次交通资源的自动化分配后更新当前实际交通网络的的资源分配情况，并基于更新后的实际交通网络数据再次进行交通资源的自动化分配；其中，所述更新当前实际交通网络的的资源分配情况的方法包括：根据经所述自动化分配后的实际交通网络中各个交通站点处交通资源的变化情况更新所有交通节点的特征矩阵，以得到新的交通网络图数据；利用GCN网络模型对所述新的交通网络图数据进行傅里叶变换以及节点与邻居节点间的传播，其中，与所述目标拓扑结构相关的目标节点的特征根据其邻居节点的特征进行聚合；根据聚合结果对所述目标节点的标签类型进行更新，同时开始反向传播，从而对所述目标节点的邻居节点的标签类型进行更新。3.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述获取节点的原始特征表示的方法包括：重复以下步骤以采集多组节点序列：从所述图数据中的任意一个节点出发并在所述节点之间等概率地转移。4.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述将所述原始特征表示输入Skipgram模型处理得到最终的特征提取向量的方法包括：在反向传播时更新隐藏层的部分权重，且根据与所述权重相关的节点出现概率判断是否更新所述权重，并继续对部分节点进行采样，且控制所述节点被采样的概率；其中，所述权重被更新的概率根据下式确定：
式中，P(v)
vi
为节点v
i
出现概率，Z(v
i
)为节点v
i
的权值，Z(v
j
)为节点v
j
的权值，v
i
、v
j
来自于交通网络图数据的节点集合；其中，所述节点出现概率根据下式确定：式中，P(o
i
)为根据现有权重所构建的网络中节点o
i...

【专利技术属性】
技术研发人员：任勇，杜冠廷，任艳，徐云龙，陈志峰，胥薇，杨艳红，朱斐，
申请(专利权)人：苏州大学，
类型：发明
国别省市：