CN115344707B - 一种城市交通知识图谱构建方法 - Google Patents
一种城市交通知识图谱构建方法 Download PDFInfo
- Publication number
- CN115344707B CN115344707B CN202210914534.XA CN202210914534A CN115344707B CN 115344707 B CN115344707 B CN 115344707B CN 202210914534 A CN202210914534 A CN 202210914534A CN 115344707 B CN115344707 B CN 115344707B
- Authority
- CN
- China
- Prior art keywords
- road
- entity
- track
- knowledge graph
- urban traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims description 42
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000003068 static effect Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市交通知识图谱构建方法,其包括如下步骤:1.构建城市交通知识图谱路网层,根据路网数据提取城市交通知识图谱路网层的实体和实体属性;接着根据路网层中实体提取路网层的关系和关系属性;根据路网层实体和路网层关系构建路网层事实;2.构建城市交通知识图谱轨迹层,根据轨迹数据提取城市交通知识图谱轨迹层的实体和实体属性;接着根据轨迹层的实体和路网层的实体提取轨迹层的关系和关系属性;根据轨迹层实体和轨迹层关系构建轨迹层事实;3.将路网层和轨迹层链接形成城市交通知识图谱。本发明方法充分考虑了城市交通事实的时间信息,能够表示在特定时间发生的城市交通事实。
Description
技术领域
本发明涉及知识图谱构建技术领域,特别涉及一种城市交通知识图谱构建方法。
背景技术
随着智能***应用的发展,知识图在越来越多的应用场景中发挥着重要作用,为各种智能任务提供多样化的知识服务。其中,有大量的应用场景,如与运动物体轨迹相关的应用场景,其***对知识随时间的变化高度敏感。这使得传统的静态知识图无法满足动态知识变化的需要,具体体现在:传统的静态知识图可以定义为一组三元组(s,p,o),其中,s表示主体实体,o表示对象实体,p表示主体实体和对象实体之间的关系。然而,两个特定实体的关系可能会随着时间的推移而改变,这意味着三元组所表达的事实不一定总是正确的。
作为一个例子,考虑以下事实:(道路1,相交,道路2),(小王,经过,道路1),(小王,经过,道路2),在这里例子中,事实缺乏时间信息是有问题的,这些事实都是正确的,但是小王不可能同时经过两条道路,如果事实带有时间信息可以消除歧义。因此,包含时间信息和空间信息的城市交通知识图是可行的解决方案,成为当前的研究热点。
城市交通知识图谱是一种同时包含时间和空间信息的知识图谱。与普通静态知识图相比,时序知识图所包含的知识会随着时间和空间的变化而变化。城市交通知识图谱可以为后续任务提供具有时空信息的知识。目前,关于城市交通知识图的相关研究主要包括城市交通知识的表示、推理和问答。但现阶段对城市交通知识图构建方法的研究较少,城市交通知识图规模不断扩大带来的挑战不容忽视。因此,研究城市交通知识图的构建方法,对于加强和完善城市交通知识图的相关研究领域具有重要意义。
目前基于城市交通知识图谱的研究主要集中在城市交通知识的表示、推理、问答等。Chunjing Xiao等人提出了一种时态知识图增量构建模型,当交互发生时,模型自动提取用户和条目之间不同长度的语义路径,该模型利用递归神经网络和标准多层感知器(MLP)收集不同长度的路径语义信息和交互本身信息,并更新实体表示。
综上,现有的关于知识图谱(静态知识图)的构建和查询大多面向在三元组,因而无法很好的表示带有时间特征的城市交通数据,而针对带有时间特征的知识图谱的研究又主要集中在知识的推理、问答等,对于城市交通知识图谱构建的研究相对较少。
发明内容
针对现阶段对城市交通知识图谱构建方法的研究较少以及城市交通数据规模不断扩大的现状,本发明提出了一种城市交通知识图谱构建方法,其采用如下技术方案:
一种城市交通知识图谱构建方法,包括如下步骤:
步骤1.构建城市交通知识图谱路网层;
根据路网数据,提取城市交通知识图谱路网层的实体和实体属性;接着,根据路网层中实体提取路网层的关系和关系属性;
根据路网层实体和路网层关系构建路网层事实,完成城市交通知识图谱路网层构建;
步骤2.构建城市交通知识图谱轨迹层;
根据轨迹数据,提取城市交通知识图谱轨迹层的实体和实体属性;接着,根据轨迹层的实体和路网层的实体,提取轨迹层的关系和关系属性;
根据轨迹层实体和轨迹层关系构建轨迹层事实,完成城市交通知识图谱轨迹层构建;
步骤3.构建城市交通知识图谱;
将城市交通知识图谱路网层和城市交通知识图谱轨迹层链接,形成城市交通知识图谱。
此外,在上述城市交通知识图谱构建方法的基础上,本发明还提出了一种与之相对应的城市交通知识图谱构建***,其技术方案如下:
城市交通知识图谱路网层构建模块,用于根据路网数据提取城市交通知识图谱路网层的实体和实体属性;接着根据路网层中实体提取路网层的关系和关系属性;
根据路网层实体和路网层关系构建路网层事实,完成城市交通知识图谱路网层构建;
城市交通知识图谱轨迹层构建模块,用于根据轨迹数据提取城市交通知识图谱轨迹层的实体和实体属性;接着根据轨迹层的实体和路网层的实体,提取轨迹层的关系和关系属性;
根据轨迹层实体和轨迹层关系构建轨迹层事实,完成城市交通知识图谱轨迹层构建;
城市交通知识图谱构建模块,用于将构建好的静态的城市交通知识图谱路网层以及构建好的动态的城市交通知识图谱轨迹层链接,形成城市交通知识图谱。
此外,本发明还提出了一种用于实现城市交通知识图谱构建方法的计算机设备。
该计算机设备包括存储器和处理器,存储器中存储有可执行代码,处理器执行所述可执行代码时,用于实现上面述及的城市交通知识图谱构建方法。
此外,本发明还提出了一种用于实现城市交通知识图谱构建方法的计算机可读存储介质。
该计算机可读存储介质,其上存储有程序。
当该程序被处理器执行时,用于实现上面述及的城市交通知识图谱构建方法。
本发明具有如下优点:
如上所述,本发明述及了一种城市交通知识图谱构建方法,该方法从路网数据和轨迹数据当中分别提取实体和关系,从而构建出城市交通知识图谱的路网层和轨迹层,进而通过关系链接得到城市交通知识图谱,方便用户在其之上进行查询、推理等操作,为后续任务例如用户出行、线路规划、城市规划等应用场景提供知识服务,具有较高的实际应用价值。本发明方法充分考虑了城市交通事实的时间信息,能够表示在特定时间发生的城市交通事实。
附图说明
图1为本发明实施例中城市交通知识图谱构建方法的流程图。
图2为本发明实施例中路网层构建示意图。
图3为本发明实施例中轨迹层构建示意图。
图4为本发明实施例中构建完成的城市交通知识图谱示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本实施例述及了一种城市交通知识图谱构建方法,其目的是从城市交通数据提取实体和关系构建城市交通知识图谱,并且可以对其进行查询和子图匹配。
整体技术步骤图如图1所示,它由三个步骤组成:
步骤1.构建城市交通知识图谱路网层,步骤2.构建城市交通知识图谱轨迹层,步骤3.构建城市交通知识图谱,接下来将具体介绍每个部分的功能和具体实现细节。
如图1所示,一种城市交通知识图谱构建方法,包括如下步骤:
步骤1.构建城市交通知识图谱路网层,如图2所示。
城市交通知识图谱路网层的构建的过程中,从路网数据中提取路网层的实体和关系。
首先,根据路网数据,提取城市交通知识图谱路网层的实体和实体属性;接着,根据路网层中实体提取路网层的关系和关系属性。
根据路网层实体和路网层关系构建路网层事实,完成城市交通知识图谱路网层构建。
该步骤1具体包括如下步骤:
步骤1.1.先从网上地图协作计划OpenStreetMap中下载的路网数据中提取南京城市的道路数据,包括该城市的道路交叉口数据和路段数据。
其中,将道路交叉口定义为交叉口实体,将道路路段定义为路段实体。
交叉口实体属性包括但不限于经度、纬度、街道数目、节点中心性以及所属公路。
路段实体属性包括但不限于起始点、终止点、道路类型、单行道、长度、宽度、限速、道路中心性、车道数、道路名称、桥、交叉口以及隧道。
接着,从路段实体中精炼信息提取出道路实体,过程如下:
将路段实体数据中的道路名称、道路类型以及道路长度信息单独提取出来,合并路段实体数据中道路名称重复项的记录,对同一名称道路的长度进行求和。
为合并之后的每条道路记录赋予新的道路ID信息,提取出路网层的道路实体。
例如,固城湖北路由三条路段组成,在路段数据文件中存在着三条道路名称为固城湖北路的路段,其长度分别为500米,100米和200米。
那么合并之后,可以得到一条道路名称为固城湖北路的道路实体,其长度为800米。
道路实体属性包括道路名称、道路类型以及道路长度。以宜兴路的道路实体为例,该道路实体的道路名称为宜兴路,道路类型为主干道,道路长度为1510米。
步骤1.2.在获取路网层的所有实体之后,还需要提取路网层的拓扑关系和归属关系。
将路段实体和交叉口实体链接,从中提取出道路交叉口之间的属于同一道路路段的关系、道路交叉口属于道路路段的关系以及道路路段包含道路交叉口的关系。
该步骤1.2具体为:
首先链接路网数据中的路段数据文件和交叉口数据文件,根据每条路段数据中起始点和终止点的值,再从交叉口数据文件中寻找对应的道路交叉口。
在路网数据中,路段数据文件和交叉口数据文件格式均为CSV格式。
提取道路交叉口之间的属于同一道路路段的关系,道路交叉口属于道路路段的关系以及道路路段包含道路交叉口的关系。例如,道路路段X的起始点为交叉口A,终止点为交叉口B,那么A和B之间存在同属于道路路段X的关系。
此外,作为道路路段X的起始点和终止点,交叉口A和B必定属于道路路段X。
同理,道路路段X必定包含交叉口A和B,因此,可以提取出道路交叉口A和B属于道路路段X的关系和道路路段X包含道路交叉口A和B的关系。
步骤1.3.接着将道路实体和路段实体进行链接,从中提取出道路路段之间属于同一道路的关系、路段属于道路的关系和道路包含路段的关系。
该步骤1.3具体为:
首先根据路段实体中道路名称的值,从道路实体中找到对应的道路,对路段实体和道路实体之间赋予关系,关系名称为路段属于道路的关系和道路包含路段的关系;
然后将一条道路下的所有路段集中到一起,每个路段实体都与其他同一条道路下的路段实体形成了道路路段之间属于同一道路的关系。
例如,道路R由道路路段X,Y,Z组成,那么道路R包含道路路段X、Y、Z,道路路段X、Y、Z属于道路R,道路路段X、Y、Z之间存在同属于道路R的关系。
步骤1.4.将道路路段实体自链接,提取出两条路段之间存在的相交关系。
该步骤1.4具体为:
对路段数据文件进行自链接,通过查找路段起始点和另一条路段的终止点是否相同,判断两条路段是否存在公共的道路交叉口;若存在,则这两条路段之间存在相交关系。
例如,道路R的起始点和道路S的终止点相同,那么道路R和道路S相交。
步骤2.构建城市交通知识图谱轨迹层,如图3所示。
根据轨迹数据,提取城市交通知识图谱轨迹层的实体和实体属性;接着,根据轨迹层的实体和路网层的实体,提取轨迹层的关系和关系属性。
根据轨迹层实体和轨迹层关系构建轨迹层事实,完成城市交通知识图谱轨迹层构建。
该步骤2具体为:
步骤2.1.从时空数据库SECONDO中获取出南京城市的租车轨迹数据,包含一千辆南京市的出租车在2010年9月12号的轨迹信息。
其中,将轨迹数据定义为轨迹实体,轨迹实体的实体属性包括但不限于车辆编号、时间、经度、纬度、速度、方向、乘客状态以及创建日期。
在获取轨迹层的实体之后,需要提取轨迹层的关系。本实施例从轨迹数据中提取轨迹实体之后,通过Brute Force算法来提取轨迹实体之间的相遇关系。
其中,相遇关系的属性为两个轨迹实体相遇时候的位置和相遇时间。
Brute Force算法是一种匹配算法。为了提取轨迹实体之间的相遇关系,BruteForce算法要判断轨迹实体文件中每一个轨迹实体是否与其他轨迹实体存在相遇关系。
本发明利用Brute Force算法提取相遇关系的大致原理如下:
首先选择一个轨迹实体,然后和剩下的轨迹实体进行判断是否相遇,相遇的条件为两个轨迹实体各自分别存在一个轨迹点(由坐标和时间戳组成),如果两个轨迹点的坐标距离小于预设空间区间,且时间差小于预设时间区间,即可被判断为存在相遇关系。
利用Brute Force算法提取相遇关系的具体过程如下:
将两个轨迹实体的坐标列表读取出来(轨迹是由一连串的坐标组成)。
对第一个轨迹实体的坐标列表的每个坐标,计算到第二个轨迹实体的坐标列表的每个坐标的欧几里得距离(欧氏距离),若存在两个坐标之间的欧几里得距离,小于算法预设空间区间,则两个轨迹实体的相遇关系满足第一个条件,即空间条件。
接着再计算两个坐标点对应的时间戳的差值,若该差值小于算法预设时间区间,则两个轨迹实体的相遇关系满足第二个条件,可以判断两个轨迹实体之间存在相遇关系。
例如,假如轨迹实体A中有一个轨迹点a,轨迹实体B有一个轨迹点b,轨迹点a和轨迹点b之间的欧几里得距离小于10米(预设空间区间),且轨迹点a的时间戳与轨迹点b的时间戳相差小于5秒(预设时间区间),则判断轨迹实体A与轨迹实体B之间存在相遇关系。
步骤2.2.将轨迹实体与路段实体链接,提取轨迹与路段之间的出发、经过和停止关系,其中,出发、经过和停止关系均包含着时间特征的知识。该步骤2.2具体为:
链接轨迹数据文件和路段数据文件,根据轨迹的位置,对应上道路路段的位置,得到轨迹实体在路网上的运动状态,根据轨迹实体最早出发的时间、途中的时间以及最晚到达的时间,分别提取出轨迹与路段之间的出发、经过和停止关系。
例如,出租车司机张三从9月12号上午九点十二分从宜兴路的出发,到9月12号下午两点三十一分到达固城湖北路,这些关系可以体现出租车从哪个路段出发、经过哪些路段以及最终到达的路段的知识,以成功地将城市交通知识图谱的路网层和轨迹层连接起来。
步骤3.构建城市交通知识图谱。
将构建好的静态的城市交通知识图谱路网层与构建好的动态的城市交通知识图谱轨迹层,通过出发、经过和停止关系链接起来,形成城市交通知识图谱,如图4所示。
其中,城市交通知识图谱是一种包含时间信息和空间信息的知识图谱,与通常的静态知识图相比,城市交通知识图中所包含的知识会在时间和空间上发生变化。
本实施例构建的城市交通知识图谱可以为后续任务提供具有时空信息的知识,通过将路网层与轨迹层模型相结合,从而形成完整的城市交通知识图谱模型。
将构建好的城市交通知识图谱存入图数据库Neo4j中,方便用户在其之上进行查询、推理等操作,为后续任务例如用户出行、线路规划、城市规划等应用场景提供知识服务。
此外,基于同样的发明构思,本发明实施例还提供了一种对应于上述城市交通知识图谱构建方法的城市交通知识图谱构建***。该***包括如下功能模块:
城市交通知识图谱路网层构建模块,用于根据路网数据提取城市交通知识图谱路网层的实体和实体属性;接着根据路网层中实体提取路网层的关系和关系属性;
根据路网层实体和路网层关系构建路网层事实,完成城市交通知识图谱路网层构建;
城市交通知识图谱轨迹层构建模块,用于根据轨迹数据提取城市交通知识图谱轨迹层的实体和实体属性;接着根据轨迹层的实体和路网层的实体,提取轨迹层的关系和关系属性;
根据轨迹层实体和轨迹层关系构建轨迹层事实,完成城市交通知识图谱轨迹层构建;
城市交通知识图谱构建模块,用于将构建好的静态的城市交通知识图谱路网层以及构建好的动态的城市交通知识图谱轨迹层链接形成城市交通知识图谱。
需要说明的是,上述城市交通知识图谱构建***中,各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
此外,本发明还提出了一种用于实现上述城市交通知识图谱构建方法的计算机设备。
该计算机设备包括存储器和一个或多个处理器。其中,在存储器中存储有可执行代码,处理器执行可执行代码时,用于实现上述城市交通知识图谱构建方法。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
此外,本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述城市交通知识图谱构建方法。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (7)
1.城市交通知识图谱构建方法,其特征在于,包括如下步骤:
步骤1.构建城市交通知识图谱路网层;
根据路网数据,提取城市交通知识图谱路网层的实体和实体属性;接着,根据路网层中实体提取路网层的关系和关系属性;
根据路网层实体和路网层关系构建路网层事实,完成城市交通知识图谱路网层构建;
步骤2.构建城市交通知识图谱轨迹层;
根据轨迹数据,提取城市交通知识图谱轨迹层的实体和实体属性;接着,根据轨迹层的实体和路网层的实体,提取轨迹层的关系和关系属性;
根据轨迹层实体和轨迹层关系构建轨迹层事实,完成城市交通知识图谱轨迹层构建;
所述步骤2具体为:
步骤2.1.从时空数据库SECONDO中获取出租车轨迹数据,从轨迹数据中提取轨迹实体,通过Brute Force算法来提取轨迹实体之间的相遇关系;
其中,将轨迹数据定义为轨迹实体,轨迹实体的实体属性包括车辆编号、时间、经度、纬度、速度、方向、乘客状态以及创建日期;
相遇关系的属性包括两个轨迹实体相遇时候的位置和相遇时间;
所述步骤2.1中,利用Brute Force算法来提取轨迹实体之间的相遇关系的过程如下:
首先选择一个轨迹实体,然后与其余轨迹实体进行判断是否相遇;
具体判断过程如下:
将两个轨迹实体的坐标列表读取出来,轨迹是由一连串的坐标组成;
对第一个轨迹实体的坐标列表的每个坐标,计算到第二个轨迹实体的坐标列表的每个坐标的欧几里得距离,若存在两个坐标之间的欧几里得距离小于预设空间区间,则两个轨迹实体的相遇关系满足第一个条件,即空间条件;
接着再计算两个坐标点对应的时间戳的差值,若该差值小于预设时间区间,则两个轨迹实体的相遇关系满足第二个条件,则判断两个轨迹实体之间存在相遇关系;
步骤2.2.将轨迹实体与路段实体链接,提取轨迹与路段之间的出发、经过和停止关系,其中,出发、经过和停止关系均包含着时间特征的知识;
步骤3.构建城市交通知识图谱;
将城市交通知识图谱路网层和城市交通知识图谱轨迹层链接,形成城市交通知识图谱;
将步骤1构建好的城市交通知识图谱路网层与步骤2构建好的城市交通知识图谱轨迹层,利用步骤2.2提取的出发、经过和停止关系链接起来,形成城市交通知识图谱。
2.根据权利要求1所述的城市交通知识图谱构建方法,其特征在于,
所述步骤1具体为:
步骤1.1.先从网上地图协作计划OpenStreetMap中下载的路网数据中提取路网层中的路段实体和交叉口实体,从路段实体中精炼信息提取出道路实体;
其中,将道路交叉口定义为交叉口实体,将道路路段定义为路段实体;
所述交叉口实体属性包括经度、纬度、街道数目、节点中心性以及所属公路;
所述路段实体属性包括起始点、终止点、道路类型、单行道、长度、宽度、限速、道路中心性、车道数、道路名称、桥、交叉口以及隧道;
所述道路实体属性包括道路名称、道路类型以及道路长度;
步骤1.2.将路段实体和交叉口实体链接,从中提取出道路交叉口之间的属于同一道路路段的关系、道路交叉口属于道路路段的关系以及道路路段包含道路交叉口的关系;
步骤1.3.将道路实体和路段实体进行链接,从中提取出道路路段之间属于同一道路的关系、路段属于道路的关系和道路包含路段的关系;
步骤1.4.将道路路段实体自链接,提取出两条路段之间存在的相交关系。
3.根据权利要求2所述的城市交通知识图谱构建方法,其特征在于,
所述步骤1.1中,道路实体的提取过程如下:
将路段实体数据中的道路名称、道路类型以及道路长度信息单独提取出来,合并路段实体数据中道路名称重复项的记录,对同一名称道路的长度进行求和;
为合并之后的每条道路记录赋予新的道路ID信息,提取出路网层的道路实体。
4.根据权利要求2所述的城市交通知识图谱构建方法,其特征在于,
所述步骤1.2具体为:
首先链接路网数据中的路段数据文件和交叉口数据文件,根据每条路段数据中起始点和终止点的值,再从交叉口数据文件中寻找对应的道路交叉口;
提取道路交叉口之间的属于同一道路路段的关系,道路交叉口属于道路路段的关系以及道路路段包含道路交叉口的关系。
5.根据权利要求2所述的城市交通知识图谱构建方法,其特征在于,
所述步骤1.3具体为:
首先根据路段实体中道路名称的值,从道路实体中找到对应的道路,对路段实体和道路实体之间赋予关系,关系名称为路段属于道路的关系和道路包含路段的关系;
将一条道路下的所有路段集中到一起,每个路段实体都与其他同一条道路下的路段实体形成了道路路段之间属于同一道路的关系。
6.根据权利要求2所述的城市交通知识图谱构建方法,其特征在于,
所述步骤1.4具体为:
对路段数据文件进行自链接,通过查找路段起始点和另一条路段的终止点是否相同,判断两条路段是否存在公共的道路交叉口;若存在,则这两条路段之间存在相交关系。
7.根据权利要求1所述的城市交通知识图谱构建方法,其特征在于,
所述步骤2.2具体为:
链接轨迹数据文件和路段数据文件,根据轨迹的位置,对应上道路路段的位置,得到轨迹实体在路网上的运动状态,根据轨迹实体最早出发的时间、途中的时间以及最晚到达的时间,分别提取出轨迹与路段之间的出发、经过和停止关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914534.XA CN115344707B (zh) | 2022-08-01 | 2022-08-01 | 一种城市交通知识图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914534.XA CN115344707B (zh) | 2022-08-01 | 2022-08-01 | 一种城市交通知识图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115344707A CN115344707A (zh) | 2022-11-15 |
CN115344707B true CN115344707B (zh) | 2023-10-24 |
Family
ID=83950195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914534.XA Active CN115344707B (zh) | 2022-08-01 | 2022-08-01 | 一种城市交通知识图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115344707B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049501A (zh) * | 2023-01-30 | 2023-05-02 | 北京化工大学 | 一种空间场景空间关系自然语言描述生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192393A (zh) * | 2017-07-20 | 2017-09-22 | 南京多伦科技股份有限公司 | 一种道路地图数据的维护***及方法 |
CN108871354A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 道路信息处理方法及处理*** |
CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN114706988A (zh) * | 2021-07-13 | 2022-07-05 | 上海弘目智能科技有限公司 | 基于知识图谱的监控预警方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220179857A1 (en) * | 2020-12-09 | 2022-06-09 | Here Global B.V. | Method, apparatus, and system for providing a context-aware location representation |
-
2022
- 2022-08-01 CN CN202210914534.XA patent/CN115344707B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871354A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 道路信息处理方法及处理*** |
CN107192393A (zh) * | 2017-07-20 | 2017-09-22 | 南京多伦科技股份有限公司 | 一种道路地图数据的维护***及方法 |
CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
CN113065074A (zh) * | 2021-04-02 | 2021-07-02 | 大连理工大学 | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 |
CN114706988A (zh) * | 2021-07-13 | 2022-07-05 | 上海弘目智能科技有限公司 | 基于知识图谱的监控预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
Generating Time-Varying Road Network Data Using Sparse Trajectories;E. Eser 等;2016 IEEE 16th International Conference on Data Mining Workshops (ICDMW);1118-1124 * |
基于交通知识图谱的轨迹目的地预测;王璐;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第01期);C034-1202 * |
Also Published As
Publication number | Publication date |
---|---|
CN115344707A (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
Wong et al. | Mapping for autonomous driving: Opportunities and challenges | |
Wang et al. | Crowdatlas: Self-updating maps for cloud and personal use | |
US9671237B1 (en) | Optimized generation of navigation instructions based on computed parking probability values | |
Miller | What about people in geographic information science | |
CN102110390B (zh) | 从设备数据标识地理空间模式的方法和*** | |
Yan et al. | SeMiTri: a framework for semantic annotation of heterogeneous trajectories | |
CN102968900B (zh) | 一种对rfid交通数据进行处理的方法 | |
Fischer | GIS and network analysis | |
CN103927374B (zh) | 一种基于SharpMap的Web GIS地图图层创建方法 | |
Meng et al. | Moving objects management | |
CN106568456A (zh) | 基于gps/北斗定位和云计算平台的不停车收费方法 | |
Koncz et al. | A data model for multi-dimensional transportation applications | |
CN115344707B (zh) | 一种城市交通知识图谱构建方法 | |
CN107403550A (zh) | 公交路网数据采集方法、装置和终端设备 | |
Santos et al. | Gbus-route geotracer | |
CN112818071A (zh) | 一种基于统一路网的交管领域知识图谱构建方法及装置 | |
Vlachogiannis et al. | Intersense: An XGBoost model for traffic regulator identification at intersections through crowdsourced GPS data | |
US20240176471A1 (en) | Intelligent zoning | |
US20220252422A1 (en) | Method, apparatus, and system for constructing a high-resolution map for geospatial big data processing | |
Park et al. | Framework for constructing multimodal transport networks and routing using a graph database: A case study in London | |
CN107588779B (zh) | 一种基于任意两节点间行程时间的车辆智能导航方法 | |
Bakkal et al. | Modeling and querying trajectories using Neo4j spatial and TimeTree for carpool matching | |
US20230160705A1 (en) | Method, apparatus, and system for linearizing a network of features for machine learning tasks | |
Shi et al. | An adaptive route guidance model considering the effect of traffic signals based on deep reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |