基于多图融合的路网节点关键度排序学习系统及方法技术方案

本发明专利技术公开了一种基于多图融合的路网节点关键度排序学习系统及方法，通过模型输入模块、数据建模模块、学习模块、排序模块的配合设置，我们提出了一个采样算法MGWalk，该算法利用多图融合来捕获路段之间基于属性的复杂关联，然后，我们采用一个有效的学习模块来学习路段的嵌入，再引入一个排序模块，根据所获得的路段嵌入来学习重要路段的排序结果，我们最终构建了一个合成数据集来研究道路网络节点的重要性的识别和排序，综合实验结果表明，我们提出的系统和方法能准确分析大规模复杂交通网络，并能识别道路网的多种交通特征。并能识别道路网的多种交通特征。并能识别道路网的多种交通特征。

【技术实现步骤摘要】
基于多图融合的路网节点关键度排序学习系统及方法


[0001]本专利技术涉及城市路网的
，具体为一种基于多图融合的路网节点关键度排序学习系统及方法。

技术介绍

[0002]城市路网是一个高度复杂的系统，包括大量紧密相连的路段和交叉路口。当某些重要节点受到交通事故、自然灾害或其他异常情况的影响时，它们可能会导致周边地区的交通拥堵，甚至导致路网的大规模崩溃。因此，准确识别道路网络中的重要节点，对于协助城市规划、提高道路网络的可靠性和抗逆境的能力至关重要。
[0003]近年来，对网络重要节点进行了重要研究。一些方法使用中心性度量来识别重要的节点。对于交通网络，研究融合了中心性度量和节点特征来识别道路网络中的重要节点。研究开发了基于不同数据源的算法，如车辆轨迹、交通分布、人类移动和社交媒体数据来评估节点的重要性。研究表明，该问题是困难的，并提出了一个轨迹驱动的交通瓶颈识别框架。但这些方法依赖于领域知识，可能无法准确分析大规模复杂交通网络。后来研究采用基于学习的方法来评估交通网络中节点的重要性，具体地，使用采样算法TraNode2vec学习的节点嵌入进行了聚类，然后通过不同节点类的平均交通量来评估节点的重要性，然而TraNode2vec只关注道路网的拓扑结构和交通量，忽略了道路网的多种交通特征。此外，排名结果不是由一个可学习的模型决定的，这表明性能仍有改进的空间。

技术实现思路

[0004]基于此，有必要提供基于多图融合的路网节点关键度排序学习系统及方法。
[0005]一种基于多图融合的路网节点关键度排序学习系统，包括模型输入模块、数据建模模块、学习模块、排序模块，所述模型输入模块的数据输出端与所述数据建模模块的数据输入端连接，所述数据建模模块的数据输出端与所述学习模块的数据输入端连接，所述学习模块的数据输出端与所述排序模块的数据输入端连接。
[0006]在其中一个实施例中，所述模型输入模块包括路网和交通数据。
[0007]在其中一个实施例中，所述数据建模模块包括构建属性图单元、构建邻接图单元和构建桥图单元，所述构建属性图单元的数据输出端分别与构建邻接图单元和构建桥图单元的数据输入端连接。
[0008]在其中一个实施例中，所述学习模块包括MGWalk采样单元、表示学习单元和排序学习单元，所述MGWalk采样单元的数据输出端与所述表示学习单元的数据输入端连接，所述表示学习单元的数据输出端与所述排序学习单元的数据输入端连接。
[0009]在其中一个实施例中，所述排序模块包括全连接层。
[0010]一种基于多图融合的路网节点关键度排序学习方法，
[0011]通过模型输入模块对路网和交通数据进行建模；
[0012]数据建模模块引入MGWalk算法并利用多图融合建立路段之间的关联；
[0013]引入一个学习模块来学习节点嵌入；
[0014]引入一个排序模块来学习路段的重要性排序。
[0015]在其中一个实施例中，所述学习模块的学习方法为：
[0016]使用采样到的s
i
中的序列学习节点v
i
的嵌入，中的每一个元素通过节点属性矩阵A∈
n
×
m
被映射为一个m维的特征向量或一个表示属性类别的独热向量；
[0017]采用双向LSTM网络通过计算前向隐藏状态序列和后向隐藏状态序列来学习的上下文信息。
[0018]在其中一个实施例中，所述排序模块为一个对集排序网络，用于利用所获得的嵌入数据从概率的角度来解决路段重要性的排序。
[0019]上述一种基于多图融合的路网节点关键度排序学习系统及方法的有益效果为：通过模型输入模块、数据建模模块、学习模块、排序模块的配合设置，我们提出了一个采样算法MGWalk，该算法利用多图融合来捕获路段之间基于属性的复杂关联，然后，我们采用一个有效的学习模块来学习路段的嵌入，再引入一个排序模块，根据所获得的路段嵌入来学习重要路段的排序结果，我们最终构建了一个合成数据集来研究道路网络节点的重要性的识别和排序，综合实验结果表明，我们提出的系统和方法能准确分析大规模复杂交通网络，并能识别道路网的多种交通特征。
附图说明
[0020]图1为本专利技术的基于多图融合的路网节点关键度排序学习系统的结构示意图。
具体实施方式
[0021]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但是本专利技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似改进，因此本专利技术不受下面公开的具体实施例的限制。
[0022]需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。相反，当元件被称作“直接”与另一元件连接时，不存在中间元件。
[0023]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本专利技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0024]如图1所示，一种基于多图融合的路网节点关键度排序学习系统，包括模型输入模块100、数据建模模块200、学习模块300、排序模块400，所述模型输入模块100的数据输出端与所述数据建模模块200的数据输入端连接，所述数据建模模块200的数据输出端与所述学习模块300的数据输入端连接，所述学习模块300的数据输出端与所述排序模块400的数据输入端连接。
[0025]在其中一个实施例中，所述模型输入模块100包括路网和交通数据。
[0026]在其中一个实施例中，所述数据建模模块200包括构建属性图单元、构建邻接图单元和构建桥图单元，所述构建属性图单元的数据输出端分别与构建邻接图单元和构建桥图单元的数据输入端连接。
[0027]在其中一个实施例中，所述学习模块300包括MGWalk采样单元、表示学习单元和排序学习单元，所述MGWalk采样单元的数据输出端与所述表示学习单元的数据输入端连接，所述表示学习单元的数据输出端与所述排序学习单元的数据输入端连接。
[0028]在其中一个实施例中，所述排序模块400包括全连接层。
[0029]一种基于多图融合的路网节点关键度排序学习方法，
[0030]通过模型输入模块100对路网和交通数据进行建模；
[0031]数据建模模块200引入MGWalk算法并利用多图融合建立路段之间的关联；
[0032]引入一个学习模块300来学习节点嵌入；
[0033]引入一个排序模块400来学习路段的重要性排序。
[0034]在其中一个实施例中，所述学习模块300的学习方法为：
[0035]使用采样到的s
...

【技术保护点】

【技术特征摘要】
1.一种基于多图融合的路网节点关键度排序学习系统，其特征在于，包括模型输入模块、数据建模模块、学习模块、排序模块，所述模型输入模块的数据输出端与所述数据建模模块的数据输入端连接，所述数据建模模块的数据输出端与所述学习模块的数据输入端连接，所述学习模块的数据输出端与所述排序模块的数据输入端连接。2.根据权利要求1所述的基于多图融合的路网节点关键度排序学习系统，其特征在于，所述模型输入模块包括路网和交通数据。3.根据权利要求1所述的基于多图融合的路网节点关键度排序学习系统，其特征在于，所述数据建模模块包括构建属性图单元、构建邻接图单元和构建桥图单元，所述构建属性图单元的数据输出端分别与构建邻接图单元和构建桥图单元的数据输入端连接。4.根据权利要求1所述的基于多图融合的路网节点关键度排序学习系统，其特征在于，所述学习模块包括MGWalk采样单元、表示学习单元和排序学习单元，所述MGWalk采样单元的数据输出端与所述表示学习单元的数据输入端连接，所述表示学习单元的数据输出端与所述排序学习单元的数据输入端连接。5.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：许明，张晶，左东宇，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：