【技术实现步骤摘要】
本公开实施例涉及道路网络随机权重补全，尤其涉及一种基于区域功能知识增强的道路网络随机权重补全方法。
技术介绍
1、道路网络，即以道路为边缘、道路交叉口为节点的图，为大规模交通数据应用提供了支持。道路网络的边缘权重(例如通过一条道路所需的时间)经常被广泛使用。例如，导航应用通常返回给用户一条路径，该路径上各边缘权重之和最小。
2、然而，道路网络中存在一些边缘的权重是缺失的是很常见的。例如，在包含2010年香港出租车gps数据的数据集中，出租车的位置主要集中在商业和居住区，仅覆盖香港所有道路的1.4％。而农村地区的道路很少被车辆访问。在深夜时段，大多数道路上很少有车辆通过，这使得收集交通数据变得困难。为了解决这个问题，已经提出了一些权重补全(wc)方法。
3、一般而言，权重补全问题可以分为两类：确定性问题和随机性问题。大多数权重补全方法主要致力于解决确定性问题，它们学习边上的确定性或非概率权重，比如在香港的彌敦道上周日上午10:00-10:30的平均行驶时间为5分钟。然而，这些方法在处理随机环境时表现不佳。此外，它们通常忽视交通数据的稀疏性，从而导致不准确的结果。相比之下，只有很少的方法专注于解决随机性权重补全问题，并且这些方法被优化以学习边缘权重的分布，例如彌敦道在周日上午10:00-10:30的行驶时间有80％的概率是5分钟，有20％的概率是10分钟。这些方法考虑了实时交通条件的时变不确定性，相对于仅关注确定性权重的方法，它们能够提供更为精确的权重。通过使用随机权重，有更多的机会找到一条更好的路径。>
4、尽管使用随机权重有很多好处，但它并没有得到充分的研究。目前为止，解决随机权重补全(stochastic weight complete，swc)问题的最佳方法是a-gcwc，该方法利用图卷积神经网络将具有可用交通数据的边的权重传播到具有缺失值的边。然而，该方法在非常稀疏的交通数据(例如提到的香港数据集)上表现不佳。具体而言，a-gcwc在面对极度稀疏的交通数据时可能遇到挑战，因为传统的图卷积神经网络可能无法有效地捕捉到稀疏数据中的复杂关系。在香港数据集等情况下，由于数据的高度稀疏性，a-gcwc可能在补全随机权重方面表现不佳，导致预测性能下降。随机权重补全是一个复杂的问题，特别是在面对稀疏的交通数据时。
技术实现思路
1、为了避免现有技术的不足之处，本申请提供一种基于区域功能知识增强的道路网络随机权重补全方法，用以解决现有技术中存在在面对极度稀疏的交通数据时可能遇到挑战，可能无法有效地捕捉到稀疏数据中的复杂关系的问题。
2、根据本公开实施例，提供一种基于区域功能知识增强的道路网络随机权重补全方法，该方法包括：
3、步骤s1：基于语义区域构建超图；
4、步骤s1.1：根据兴趣点定义语义区域；
5、步骤s1.2：根据语义区域定义位于相同语义区域附近的道路之间的交通相似性，并构建超图；
6、步骤s2：利用reggc模型对超图进行区域级学习，以得到目标随机权重；其中，所述reggc模型包括残差模块、拓扑交通传播器、情境交通扩散器、近期趋势聚合器和周期模式探测器；
7、步骤s2.1：利用残差模块学习超图中的初始随机权重的关键信息；
8、步骤s2.2：利用拓扑交通传播器、情境交通扩散器、近期趋势聚合器和周期模式探测器以捕捉交通数据的时空相关性；
9、步骤s2.3：根据初始随机权重的关键信息和交通数据的时空相关性，以得到目标随机权重。
10、进一步的，根据语义区域定义位于相同语义区域附近的道路之间的交通相似性，并构建超图的步骤中，包括：
11、将基于语义区域的超图定义为其中，ε表示道路集合，表示超边集合，w表示每个超边的权重；
12、超图的关联矩阵p是一个的矩阵，如下所示：
13、
14、其中，p为关联矩阵中的元素，e为道路，m为超边，d为距离，rm为具有相同语义功能的区域，γ为阈值。
15、进一步的，利用残差模块学习超图中的初始随机权重的关键信息的步骤中，包括：
16、将初始随机权重转换为：
17、
18、其中，为初始随机权重，为可学习参数，b′为隐藏状态的维度，|b|为随机权重张量的桶大小，为道路ei在时间t的潜在表示；
19、谱卷积被定义为：
20、gθ＊j＝qgθqtj (3)
21、其中，gθ为一个θ阶多项式，j为潜在表示，q为超图拉普拉斯矩阵的特征向量；
22、在采用切比雪夫多项式tk(x)后，假设最大特征值为λmax≈2,，得到了转换后的嵌入：
23、
24、其中，jh为转换后的嵌入表示，p为超图的关联矩阵，dv为超图的关联矩阵p的边度，de为顶点度的对角矩阵，θ为可训练参数，w为超边的权重，初始值为单位矩阵。
25、进一步的，利用拓扑交通传播器、情境交通扩散器、近期趋势聚合器和周期模式探测器以捕捉交通数据的时空相关性的步骤中，包括：
26、在转换后的嵌入表示上应用拓扑交通传播器、情境交通扩散器、最近趋势聚合器和周期模式探测器，以捕捉交通数据的时空相关性；
27、引入潜变量s～q(s|w)以编码观测到的初始随机权重w中的关键信息，以能够最大化初始随机权重中每个观测的边际对数似然。
28、进一步的，reggc模型还包括全连接层，用于从编码器解码完整的目标随机权重；
29、其中，损失函数的表达如下：
30、
31、其中，kl(q(s|w)||p(s))为潜变量s的后验分布和先验分布之间的kl散度；
32、在损失函数的反向传播之后，将得到完成的目标随机权重
33、进一步的，reggc模型的时间复杂度为其中，为空间邻居的最大数量，为最近邻居的最大数量，为周期邻居的最大数量，pnz为稀疏矩阵p中非零值的数量，为时间间隔的数量，∣e∣为道路网络的边集的数量。
34、本公开的实施例提供的技术方案可以包括以下有益效果：
35、本公开的实施例中，通过上述基于区域功能知识增强的道路网络随机权重补全方法，以多层次的方式利用更粗糙的语义区域函数和更精细的道路属性来学习权重。reggc模型从具有权重的边向具有缺失权重的边传播空间和时间维度的相关性，并通过与其他最先进的模型进行比较来评估reggc模型的有效性。且reggc模型更为有效，可以扩展到大型道路网络。
本文档来自技高网...【技术保护点】
1.一种基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，该方法包括：
2.根据权利要求1所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，根据语义区域定义位于相同语义区域附近的道路之间的交通相似性，并构建超图的步骤中，包括：
3.根据权利要求2所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，利用残差模块学习超图中的初始随机权重的关键信息的步骤中，包括：
4.根据权利要求3所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，利用拓扑交通传播器、情境交通扩散器、近期趋势聚合器和周期模式探测器以捕捉交通数据的时空相关性的步骤中，包括：
5.根据权利要求4所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，RegGC模型还包括全连接层，用于从编码器解码完整的目标随机权重；
6.根据权利要求5所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，RegGC模型的时间复杂度为其中，为空间邻居的最大数量，为最近邻居的最大数量，为周期邻居的最大数量，pnz为稀疏
...【技术特征摘要】
1.一种基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，该方法包括：
2.根据权利要求1所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，根据语义区域定义位于相同语义区域附近的道路之间的交通相似性，并构建超图的步骤中，包括：
3.根据权利要求2所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，利用残差模块学习超图中的初始随机权重的关键信息的步骤中，包括：
4.根据权利要求3所述基于区域功能知识增强的道路网络随机权重补全方法，其特征在于，利用拓扑交通传播...
【专利技术属性】
技术研发人员：韩笑琳，张轶焜，马晨昊，尚学群，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。