基于路口联合建模的对偶图卷积网络的行程时间估计方法技术

本发明专利技术公开一种路口联合建模的对偶图卷积网络的行程时间估计方法。该方法包括：获取目标路径和对应的出发时间；针对所述目标路径和对应的出发时间，利用对偶图卷积网络估计行程时间，该对偶图卷积网络以设定的损失函数最小化为目标，利用历史轨迹数据集训练获得，其中所述对偶图卷积网络包括嵌入层、时空图学习层和多任务学习层，所述时空图学习层通过对节点图和边图进行对偶图卷积捕获时空特征，所述节点图的每个节点和边分别代表一个路口和路段，所述边图的节点是节点图中的对应边。本发明专利技术采用对偶图卷积方法来捕获路口和路段的复杂关系，能够对交叉路口和路段进行联合建模，提升了行程估计时间的准确性。提升了行程估计时间的准确性。提升了行程估计时间的准确性。

【技术实现步骤摘要】
基于路口联合建模的对偶图卷积网络的行程时间估计方法


[0001]本专利技术涉及道路网络分析
，更具体地，涉及一种基于路口联合建模的对偶图卷积网络的行程时间估计方法。

技术介绍

[0002]估计给定路径的行程时间在许多城市交通系统中起着重要作用，例如用于导航、路线规划和拼车等。由于交通网络上的路径序列是由依次交替的路段和交叉路口组成，因此表征交叉路口和路段的潜在特征对于道路网络上的行程时间的估计非常重要。通常引入交通信号灯或者其他交通标志引导交通行为的交叉路口对行车速度有显著影响。如何对路口和路段进行联合建模是一个极具挑战的问题。首先，路口和路段之间存在复杂的关系。具体而言，两个相邻的路口之间存在相互影响，并且它们的相关性随着交通状况的变化而变化，例如当一个路口发生交通拥堵时，则这种拥堵状态很可能将传播到邻接的路口。同时，与同一路口相连的路段也是紧密关联的，它们之间的相互作用取决于它们的上游或下游路段。交通流是从上游路段流向下游路段，而路段的拥堵状态则是从下游到上游路段进行反向传播，因此邻接的上下游路段之间也存在很强的相关性。此外，交通网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路口联合建模的对偶图卷积网络的行程时间估计方法，包括以下步骤：获取目标路径和对应的出发时间，所述目标路径是道路网络中的一系列路段和路口的序列；针对所述目标路径和对应的出发时间，利用对偶图卷积网络估计行程时间，该对偶图卷积网络以设定的损失函数最小化为目标，利用历史轨迹数据集训练获得；其中，所述对偶图卷积网络包括嵌入层、时空图学习层和多任务学习层，所述时空图学习层通过对节点图和边图进行对偶图卷积捕获时空特征；其中，所述节点图的每个节点和边分别代表一个路口和路段，所述边图的节点是节点图中的对应边。2.根据权利要求1所述的方法，其特征在于，所述嵌入层基于行驶速度、道路类型和行驶距离来初始化路段的表示，对于在时间t的路段的表示，定义为：其中，s
r
(t)是在时间t的路段平均速度，d
e
是路段的距离，p
e
是道路类型，W
e
是可学习的参数矩阵，[]是合并操作运算符。3.根据权利要求1所述的方法，其特征在于，对于路口，所述嵌入层通过聚合连接路段的表示来初始化路口的表示，对于在时间t的路口的表示，定义为：其中，F(v)表示与路口节点v连接的路段集，p
v
表示路口是否有红绿灯，W1和W2是可学习的参数矩阵。4.根据权利要求1所述的方法，其特征在于，所述对偶图卷积堆叠多跳图卷积层，每跳图卷积层输出不同尺度的特征，并且每跳图卷积层的输出特征经由门控循环单元进行特征的过滤和选择。5.根据权利要求1所述的方法，其特征在于，所述多任务学习层采用门控循环单元。6.根据权利要求4所述的方法，其特征在于，所述时空图学习层采用门控循环单元来捕获路口和路段特征的时序依赖性，表示为：s
i
(t)＝GRU(h
i
(t),s
′
i
(t
‑
1)∣W
Ω
,U
Ω
,b
Ω
)x
i
(t)＝GRU(z
i
(t),x
′
i
(t
‑
1)∣W
′
Ω
.U
′
Ω
,b
′
Ω
)s
′
i
(t
‑
1),x
′...

【专利技术属性】
技术研发人员：张金雷，金广垠，杨立兴，沙恒宇，黄金才，杨咏杰，高自友，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：