基于GPS轨迹和图神经网络的出行时间预测方法技术

本发明专利技术公开了一种基于GPS轨迹和图神经网络的出行时间预测方法，包括获取GPS序列并排序；计算最开始的若干个节点的特征数据；计算GPS序列中每个节点的前若干个节点的特征数据；合并特征数据与节点自身的特征数据得到更新后的节点特征并排序，构建粗

【技术实现步骤摘要】
基于GPS轨迹和图神经网络的出行时间预测方法


[0001]本专利技术属于导航
，具体涉及一种基于GPS轨迹和图神经网络的出行时间预测方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，导航技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障导航过程的精确性，就成为了导航系统的重要任务之一。
[0003]出行时间预测任务是基于用户设定的出发时间估算特定路线(由一系列GPS点连接而成)的通行时间，针对出行时间评估开展的研究。出行时间预测旨在设计能够提供准确、可靠的出行时间估计算法，从而帮助用户按时到达目的地。准确的出行时间预测不仅能最大程度帮助司机和用户提前了解交通道路中的突发情况并给出最合适的行程规划，还能有效缓解道路交通拥堵，进而提高地图用户的满意度。因此，出行时间预测逐步成为了研究人员的研究热点。
[0004]现有的出行时间预测方案，通常分为基于无路段的方案和基于有路段的方案。基于无路段的方案侧重于起点和目的地位置进行预测，无需连续GPS轨迹序列的支持；但是，基于无路段的方案无法有效利用道路拥堵等重要的信息，导致对出行时间的预测不准确。基于有路段的方案，则是根据GPS轨迹序列预测每个路段的通行时间，并对以上通行时间进行求和以获得给定轨迹路径的总时间。但是，基于有路段的方案，侧重于收集各种原始数据或优化路段的连接，忽略了路线的上下文信息(例如红绿灯和交叉口)，同样导致了出行时间预测不准确的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种可靠性高、准确性好且适用范围广的基于GPS轨迹和图神经网络的出行时间预测方法。
[0006]本专利技术提供的这种基于GPS轨迹和图神经网络的出行时间预测方法，包括如下步骤：
[0007]S1.获取GPS序列，并将获取的GPS序列按照时间顺序排序；
[0008]S2.根据步骤S1的排序结果，计算最开始的若干个节点的特征数据；
[0009]S3.采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据；
[0010]S4.将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征；
[0011]S5.将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，并构建粗
‑
细粒度二部图；
[0012]S6.对步骤S5得到的粗
‑
细粒度二部图进行图神经网络聚合，获取每个节点一跳内
邻居节点的特征，从而得到更新的粗
‑
细粒度二部图；
[0013]S7.对步骤S6得到的更新的粗
‑
细粒度二部图再次进行图神经网络聚合，获取每个节点两跳内邻居节点的特征；
[0014]S8.采用循环神经网络对步骤S7得到的特征数据进行学习，从而得到局部路径的时间预测结果；
[0015]S9.采用注意力机制对步骤S8得到的局部路径的时间预测结果进行加权求和，从而得到最终的全局路径的出行时间预测结果。
[0016]步骤S2所述的根据步骤S1的排序结果，计算最开始的若干个节点的特征数据，具体包括如下步骤：
[0017]根据步骤S1的排序结果，计算最开始的3个节点的时间特征、速度特征和距离特征；
[0018]所述的时间特征，为经过对应节点的时间值；所述的速度特征，为经过对应节点的速度值；所述的距离特征，为对应节点距离前一个节点的距离值。
[0019]步骤S3所述的采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据，具体包括如下步骤：
[0020]A.设置一个大小为3的窗口；
[0021]B.从第一个节点开始；
[0022]C.逐个计算窗口内三个节点的时间特征、速度特征和距离特征；
[0023]D.计算完毕后，窗口往后滑动一个节点；
[0024]E.重复步骤C～D，直至计算得到所有节点的时间特征、速度特征和距离特征。
[0025]步骤S4所述的将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征，具体包括如下步骤：
[0026]将步骤S2和步骤S3得到的特征数据与节点自身的特征数据，采用如下算式进行合并：
[0027]h＝CONCAT(h
i
,speed
s
,time
s
,dis
s
,speed
c
,time
c
,dis
c
)
[0028]式中h为更新后的节点特征；CONCAT()为合并函数；h
i
为节点自身的原始特征；speed
s
为初始阶段的速度特征；time
s
为初始阶段的时间特征；dis
s
为初始阶段的距离特征；speed
c
为当前阶段的速度特征；time
c
为当前阶段的时间特征；dis
c
为当前阶段的距离特征。
[0029]步骤S5所述的将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，并构建粗
‑
细粒度二部图，具体为将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，建立当前节点与其后一个节点的链接和当前节点与其后两个节点的链接，从而构建粗
‑
细粒度二部图。
[0030]步骤S6和步骤S7所述的进行图神经网络聚合，具体包括如下步骤：
[0031]进行双层图神经网络聚合操作；
[0032]双层图神经网络聚合了一跳节点和两跳节点的特征，用于学习道路中的空间结构信息；
[0033]双层图神经网络的聚合操作定义为：
[0034][0035][0036]式中为第l层中第i个节点的邻居集合的特征聚合，l取值为1或2；AGGREGATE
l
()为第l层的Pooling Aggregator聚合器的处理函数；i表示第i个节点；N(i)为第i个节点的邻居集合；为第l
‑
1层中第u个节点的邻居节点的节点更新；为第l层中第i个节点的节点更新；ρ()为概率密度函数；W
l
为第l层的可学习的权重参数；CONCAT()为合并函数。
[0037]步骤S8所述的采用循环神经网络对步骤S7得到的特征数据进行学习，具体包括如下步骤：
[0038]循环神经网络定位为：
[0039][0040]式中r
i
为处理第i个局部路径的时间预测结果；σ
rnn
()为非线性激活函数；W
x
为循环层中使用的第一参数矩阵；W
f
为循环层中使用的第二参数矩阵；为第i个局部路径的空间特征序列；f
i
‑1为处理第i个局部路径后的隐藏状态。...

【技术保护点】

【技术特征摘要】
1.一种基于GPS轨迹和图神经网络的出行时间预测方法，包括如下步骤：S1.获取GPS序列，并将获取的GPS序列按照时间顺序排序；S2.根据步骤S1的排序结果，计算最开始的若干个节点的特征数据；S3.采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据；S4.将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征；S5.将步骤S4得到的更新节点后的GPS序列按照时间顺序排序，并构建粗
‑
细粒度二部图；S6.对步骤S5得到的粗
‑
细粒度二部图进行图神经网络聚合，获取每个节点一跳内邻居节点的特征，从而得到更新的粗
‑
细粒度二部图；S7.对步骤S6得到的更新的粗
‑
细粒度二部图再次进行图神经网络聚合，获取每个节点两跳内邻居节点的特征；S8.采用循环神经网络对步骤S7得到的特征数据进行学习，从而得到局部路径的时间预测结果；S9.采用注意力机制对步骤S8得到的局部路径的时间预测结果进行加权求和，从而得到最终的全局路径的出行时间预测结果。2.根据权利要求1所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S2所述的根据步骤S1的排序结果，计算最开始的若干个节点的特征数据，具体包括如下步骤：根据步骤S1的排序结果，计算最开始的3个节点的时间特征、速度特征和距离特征；所述的时间特征，为经过对应节点的时间值；所述的速度特征，为经过对应节点的速度值；所述的距离特征，为对应节点距离前一个节点的距离值。3.根据权利要求2所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S3所述的采用基于滑动窗口的特征提取方案，计算GPS序列中每个节点的前若干个节点的特征数据，具体包括如下步骤：A.设置一个大小为3的窗口；B.从第一个节点开始；C.逐个计算窗口内三个节点的时间特征、速度特征和距离特征；D.计算完毕后，窗口往后滑动一个节点；E.重复步骤C～D，直至计算得到所有节点的时间特征、速度特征和距离特征。4.根据权利要求3所述的基于GPS轨迹和图神经网络的出行时间预测方法，其特征在于步骤S4所述的将步骤S2和步骤S3得到的特征数据与节点自身的特征数据进行合并，从而得到更新后的节点特征，具体包括如下步骤：将步骤S2和步骤S3得到的特征数据与节点自身的特征数据，采用如下算式进行合并：h＝CONCAT(h
i
,speed
s
,time
s
,dis
s
,speed
c
,time
c
,dis
c
)式中h为更新后的节点特征；CONCAT()为合并函数；h
i
为节点自身的原始特征；speed
s
为初始阶段的速度特征；tim...

【专利技术属性】
技术研发人员：钟萍，王安宁，徐爱昆，王森章，高建良，
申请(专利权)人：中南大学，
类型：发明
国别省市：