CN115345354A - 基于超图深度网络的城市多方式交通超网络态势预测方法 - Google Patents

基于超图深度网络的城市多方式交通超网络态势预测方法 Download PDF

Info

Publication number
CN115345354A
CN115345354A CN202210916015.7A CN202210916015A CN115345354A CN 115345354 A CN115345354 A CN 115345354A CN 202210916015 A CN202210916015 A CN 202210916015A CN 115345354 A CN115345354 A CN 115345354A
Authority
CN
China
Prior art keywords
traffic
network
mode
hypergraph
subway
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.)
Pending
Application number
CN202210916015.7A
Other languages
English (en)
Inventor
唐坤
于宛仟
郭唐仪
何流
徐永能
刘英舜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210916015.7A priority Critical patent/CN115345354A/zh
Publication of CN115345354A publication Critical patent/CN115345354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于超图深度网络的城市多方式交通超网络态势预测方法，根据地铁站、公交站、道路段在城市交通中的空间拓扑关系构建各交通方式的交通图网络；对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络；对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络；通过超图神经网络建立面向城市多方式交通超网络协同预测的超图深度学习模型，并利用历史数据对该模型进行训练；最后，利用训练后的超图深度学习模型对未来时间段内的多方式交通客流态势进行预测。本发明更客观、全面地反应城市多方式交通***运行规律，提升了多方式交通客流态势预测准确性。

Description

基于超图深度网络的城市多方式交通超网络态势预测方法
技术领域
本发明属于交通客流预测领域，特别是一种基于超图深度网络的城市多方式交通超网络态势预测方法。
背景技术
随着城市综合交通***的建设与不断推进，城市交通客流预测对于城市交通***的运营与管理具有重要意义，近些年得到了广泛的关注。图神经网络(GraphNeuralNetworks，GNNs)由于其强大的关系数据建模能力，在交通预测问题中展现出显著优势，得到了广泛应用。然而，传统的图网络模型根据空间拓扑关系对相关性进行建模，只能构建网络节点之间的二元连接关系，即一条边连接两个节点，而无法构建节点之间的高阶相关性，例如某一条公交线路。同时，城市综合交通***时一个复杂的大***，多种交通方式之间存在显著的耦合性，例如公交站、地铁站在同一条道路上或者公交站与地铁站同名(通常位于相近地点)，而传统的图网络模型无法建模多方式交通之间的耦合关系。为了对城市综合交通***多方式交通态势进行精准分析，亟需寻求一种更为全面、高效的建模方法，对不同交通方式的客流状态与发展趋势进行精准预测。
发明内容
有鉴于此，本发明的目的在于提出一种基于超图深度网络的城市多方式交通超网络态势预测方法，以解决多方式交通预测中无法建模节点高阶相关性与多方式交通耦合性的问题。
实现本发明目的的技术方案为：一种基于超图深度网络的城市多方式交通超网络态势预测方法，具体步骤为：
步骤1：对交通网络进行分析，获得多方式交通网络数据；
步骤2：利用空间拓扑关系构建各交通方式的交通图网络；
步骤3：对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络；
步骤4：对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络；
步骤5：建立面向城市多方式交通超网络协同预测的超图深度网络；
步骤6：利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测。
优选地，步骤1中对交通网络进行分析，获得多方式交通网络数据的具体方法为：
步骤1.1：对地铁、公交、出租车多方式交通网络进行分析，获得各交通方式图网络的节点数据；
步骤1.2：对地铁、公交、出租车多方式交通网络拓扑结构进行分析，获得各交通方式的空间拓扑结构数据。
优选地，针对地铁交通方式，提取地铁站点作为地铁交通方式图网络的节点，构成地铁交通图网络节点集合
Figure BDA0003775671360000021
I(m)为地铁站点数量；针对公交交通方式，提取公交站点作为公交交通方式图网络的节点，构成公交交通图网络节点集合
Figure BDA0003775671360000022
I(b)为公交站点数量；针对出租车交通方式，提取出租车可以通行的路段作为出租车交通方式图网络的节点，构成出租车交通图网络节点集合
Figure BDA0003775671360000023
I(r)为路段数量。
优选地，利用空间拓扑关系构建各交通方式的交通图网络的具体方法为：
针对地铁交通方式，利用地铁交通图网络节点V(m)与地铁交通方式邻接矩阵A(m)构建地铁交通方式的交通图网络G(m)＝(V(m),A(m))；
针对公交交通方式，利用公交交通图网络节点V(b)与公交交通方式邻接矩阵A(b)构建公交交通方式的交通图网络G(b)＝(V(b),A(b))；
针对出租车交通方式，利用出租车交通图网络节点V(r)与出租车交通方式邻接矩阵A(r)构建公交交通方式的交通图网络G(r)＝(V(r),A(r))。
优选地，对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络的具体步骤为：
步骤3.1：针对地铁交通方式，利用高阶语义关系建立超边ε(m)，构建地铁交通超图网络
Figure BDA0003775671360000024
具体为：
步骤3.1.1：针对地铁交通方式，利用语义关系“地铁站点属于同一条地铁线路”建立超边
Figure BDA0003775671360000031
J(m)为超边
Figure BDA0003775671360000032
的数量；
步骤3.1.2：利用超边集合ε(m)构建地铁交通超图网络
Figure BDA0003775671360000033
其中，
Figure BDA0003775671360000034
为地铁交通超图网络的节点集合，
Figure BDA0003775671360000035
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000036
其中，
Figure BDA0003775671360000037
与
Figure BDA0003775671360000038
分别为地铁交通超图网络中的第i个节点与第j条超边，I(m)与J(m)分别为节点数量与超边数量，h(m)(i,j)为
Figure BDA0003775671360000039
的第i行第j列元素；
步骤3.2：针对公交交通方式，利用高阶语义关系建立超边ε(b)，构建公交交通超图网络
Figure BDA00037756713600000310
具体为：
步骤3.2.1：针对公交交通方式，利用语义关系“公交站点属于同一条公交线路”建立超边
Figure BDA00037756713600000311
J(b)为超边
Figure BDA00037756713600000312
的数量；
步骤3.2.2：利用超边集合ε(b)构建公交交通超图网络
Figure BDA00037756713600000313
其中，
Figure BDA00037756713600000314
为公交交通超图网络的节点集合，
Figure BDA00037756713600000315
为关联矩阵，其定义如下所示，
Figure BDA00037756713600000316
其中，
Figure BDA00037756713600000317
与
Figure BDA00037756713600000318
分别为公交交通超图网络中的第i个节点与第j条超边，I(b)与J(b)分别为节点数量与超边数量，h(b)(i,j)为
Figure BDA00037756713600000319
的第i行第j列元素。
优选地，对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络的具体步骤为：
步骤4.1：分析多方式交通之间的语义关系，建立两两子网络之间的超边，构建两两子网络之间的交通超图网络；
步骤4.2：分析地铁、公交、出租车三个子网络之间的耦合关系，利用语义关系“地铁站与公交站站名相同且在同一条路段上”建立超边，并根据超边构建融合地铁-公交-出租车三种交通方式的交通超图网络
Figure BDA0003775671360000041
其中
Figure BDA0003775671360000042
为节点集合，
Figure BDA0003775671360000043
为地铁交通超图网络的节点集合，
Figure BDA0003775671360000044
为公交交通超图网络的节点集合，
Figure BDA0003775671360000045
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000046
其中，
Figure BDA0003775671360000047
与
Figure BDA0003775671360000048
分别为地铁-公交-出租车交通超图网络中的第i个节点与第j条超边，I(m,b,r)＝I(m)+I(b)+I(r)与J(m,b,r)分别为节点数量与超边数量，h(m ,b,r)(i,j)为
Figure BDA0003775671360000049
的第i行第j列元素。
优选地，分析多方式交通之间的语义关系，建立两两子网络之间的超边，构建两两子网络之间的交通超图网络的具体方法为：
步骤4.1.1：针对地铁-公交网络，利用语义关系“地铁站与公交站站名相同”建立超边
Figure BDA00037756713600000410
其中
Figure BDA00037756713600000411
并以此构建地铁-公交交通超图网络
Figure BDA00037756713600000412
其中
Figure BDA00037756713600000413
为节点集合，
Figure BDA00037756713600000414
为关联矩阵，其定义如下所示，
Figure BDA00037756713600000415
其中，
Figure BDA00037756713600000416
与
Figure BDA00037756713600000417
分别为地铁-公交交通超图网络中的第i个节点与第j条超边，I(m,b)＝I(m)+I(b)与J(m,b)分别为节点数量与超边数量，h(m,b)(i,j)为
Figure BDA00037756713600000418
的第i行第j列元素；
步骤4.1.2：针对地铁-出租车网络，利用语义关系“地铁站在某条路段上”建立超边
Figure BDA0003775671360000051
其中
Figure BDA0003775671360000052
并以此构建地铁-出租车交通超图网络
Figure BDA0003775671360000053
其中
Figure BDA0003775671360000054
为节点集合，
Figure BDA0003775671360000055
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000056
其中，
Figure BDA0003775671360000057
与
Figure BDA0003775671360000058
分别为地铁-出租车交通超图网络中的第i个节点与第j条超边，I(m,r)＝I(m)+I(r)与J(m,r)分别为节点数量与超边数量，h(m,r)(i,j)为
Figure BDA0003775671360000059
的第i行第j列元素；
步骤4.1.3：针对公交-出租车网络，利用语义关系“公交站在某条路段上”建立超边
Figure BDA00037756713600000510
其中
Figure BDA00037756713600000511
并以此构建公交-出租车交通超图网络
Figure BDA00037756713600000512
其中
Figure BDA00037756713600000513
为节点集合，
Figure BDA00037756713600000514
为关联矩阵，其定义如下所示，
Figure BDA00037756713600000515
其中，
Figure BDA00037756713600000516
与
Figure BDA00037756713600000517
分别为公交-出租车交通超图网络中的第i个节点与第j条超边，I(b,r)＝I(b)+I(r)与J(b,r)分别为节点数量与超边数量，h(b,r)(i,j)为
Figure BDA00037756713600000518
的第i行第j列元素。
优选地，建立面向城市多方式交通超网络协同预测的超图深度网络的具体方法为：
步骤5.1：构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure BDA00037756713600000519
具体为：
步骤5.1.1：将步骤2～步骤4构建的图网络G(m)、G(b)、G(r)与超图网络
Figure BDA00037756713600000520
Figure BDA00037756713600000521
进行融合，建立融合地铁-公交-出租车多方式交通超图网络的超边，如下所示，
ε＝{ej|j＝1,2,…,J}＝ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中，
Figure BDA0003775671360000061
Figure BDA0003775671360000062
Figure BDA0003775671360000063
其中，A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素；
步骤5.1.2：利用超边集合ε，构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure BDA0003775671360000064
其中
Figure BDA0003775671360000065
为节点集合，
Figure BDA0003775671360000066
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000067
其中，
Figure BDA0003775671360000068
与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边，I＝I(m)+I(b)+I(r)为超图网络的节点数量；J＝I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)为超图网络的超边数量；
步骤5.2：利用历史数据构建特征矩阵X(t)与预测标签y(t)；
步骤5.3：建立面向多方式交通协同预测的超图深度学习模型f，所述超图深度学习模型的优化目标函数如下所示，
Figure BDA0003775671360000069
其中，
Figure BDA00037756713600000610
为经验损失函数，Ωreg(·)为规则化函数；
步骤5.4：将样本数据输入超图深度网络模型对其进行训练，得到多方式交通协同预测模型
Figure BDA00037756713600000611
优选地，利用历史数据构建特征矩阵X(t)与预测标签y(t)的方法具体为：
步骤5.2.1：对于时间段t，利用当前时间段t及T-1个历史时间段内超图网络
Figure BDA0003775671360000071
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure BDA0003775671360000072
其中
Figure BDA0003775671360000073
为时间段t内超图网络各节点交通客流量构成的特征向量；
步骤5.2.2：对于时间段t，利用下一时间段t+1内超图网络各节点上的交通客流量构成当前时间段的预测标签
Figure BDA0003775671360000074
优选地，利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测的具体方法为：
步骤6.1：对于任意时间段t′，利用当前时间段t′及T-1个历史时间段内超图网络
Figure BDA0003775671360000075
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure BDA0003775671360000076
其中
Figure BDA0003775671360000077
为时间段t′内超图网络各节点交通客流量构成的特征向量；
步骤6.2：将特征矩阵X(t′)与步骤5.1构建的超图关联矩阵
Figure BDA0003775671360000078
输入步骤5.4获得的多方式交通协同预测模型
Figure BDA0003775671360000079
对未来时间段内的多方式交通客流进行预测，如下所示，
Figure BDA00037756713600000710
其中，
Figure BDA00037756713600000711
为下一时间段t′+1内超图网络各节点交通客流量的预测值。
本发明与现有技术相比，其显著优点为：本发明以一种统一的方式同时建模交通网络节点之间的高阶相关性与多方式交通之间的耦合关系，同时对多方式交通客流态势进行协同预测，能够更客观、全面地反应城市多方式交通***运行规律，从而提升多方式交通客流态势预测的准确性。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的方法流程图。
图2为本发明中的地铁与公交超图网络示意图。
图3为本发明中融合地铁、公交与出租车多方式交通的超图网络示意图。
图4为本发明中邻接矩阵与关联矩阵融合方法示意图。
具体实施方式
请参照图1，本发明提供一种基于超图深度网络的城市多方式交通超网络态势预测方法，具体步骤为：
步骤1：对研究区域内的交通网络进行分析，获得多方式交通网络数据；
步骤2：利用空间拓扑关系构建各交通方式的交通图网络；
步骤3：对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络；
步骤4：对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络；
步骤5：建立面向城市多方式交通超网络协同预测的超图深度网络；
步骤6：对未来时间段内多方式交通客流态势进行预测。
在本实施例中，所述步骤1具体为：
步骤1.1：对南京市新街口附近区域内的地铁、公交、出租车多方式交通网络进行分析，获得各交通方式图网络的节点数据V(m)、V(b)与V(r)；
步骤1.2：对地铁、公交、出租车多方式交通网络拓扑结构进行分析，获得各交通方式的空间拓扑结构数据A(m)、A(b)与A(r)。
在本实施例中，所述步骤1.1具体为：
步骤1.1.1：针对地铁交通方式，提取地铁站点作为该交通方式图网络的节点，构成地铁交通图网络节点集合
Figure BDA0003775671360000081
4为地铁站点数量；
步骤1.1.2：针对公交交通方式，提取公交站点作为该交通方式图网络的节点，构成公交交通图网络节点集合
Figure BDA0003775671360000082
7为公交站点数量；
步骤1.1.3：针对出租车交通方式，提取其可以通行的路段作为该交通方式图网络的节点，构成出租车交通图网络节点集合
Figure BDA0003775671360000083
16为研究区域内出租车行驶的路段数量。
在本实施例中，所述步骤1.2具体为：
步骤1.2.1：针对地铁交通方式，利用地铁站点之间的空间拓扑结构关系构建该交通方式图网络的邻接矩阵
Figure BDA0003775671360000091
步骤1.2.2：针对公交交通方式，利用公交站点之间的空间拓扑结构关系构建该交通方式图网络的邻接矩阵
Figure BDA0003775671360000092
步骤1.2.3：针对出租车交通方式，利用路段之间的空间拓扑结构关系构建该交通方式图网络的邻接矩阵
Figure BDA0003775671360000093
在本实施例中，所述步骤2具体为：
步骤2.1：针对地铁交通方式，利用网络节点V(m)与邻接矩阵A(m)构建该交通方式的交通图网络G(m)＝(V(m),A(m))；
步骤2.2：针对公交交通方式，利用网络节点V(b)与邻接矩阵A(b)构建该交通方式的交通图网络G(b)＝(V(b),A(b))；
步骤2.3：针对出租车交通方式，利用网络节点V(r)与邻接矩阵A(r)构建该交通方式的交通图网络G(r)＝(V(r),A(r))。
在本实施例中，所述步骤3具体为：
步骤3.1：针对地铁交通方式，利用高阶语义关系建立超边ε(m)，构建地铁交通超图网络
Figure BDA0003775671360000094
步骤3.2：针对公交交通方式，利用高阶语义关系建立超边ε(b)，构建公交交通超图网络
Figure BDA0003775671360000095
在本实施例中，所述步骤3.1具体为：
步骤3.1.1：针对地铁交通方式，利用语义关系“地铁站点属于同一条地铁线路”建立超边
Figure BDA0003775671360000096
步骤3.1.2：利用超边集合ε(m)构建地铁交通超图网络
Figure BDA0003775671360000097
其中，
Figure BDA0003775671360000098
为地铁交通超图网络的节点集合，
Figure BDA0003775671360000099
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000101
其中，
Figure BDA0003775671360000102
与
Figure BDA0003775671360000103
分别为地铁交通超图网络中的第i个节点与第j条超边。
在本实施例中，所述步骤3.2具体为：
步骤3.2.1：针对公交交通方式，利用语义关系“公交站点属于同一条公交线路”建立超边
Figure BDA0003775671360000104
步骤3.2.2：利用超边集合ε(b)构建公交交通超图网络
Figure BDA0003775671360000105
其中，
Figure BDA0003775671360000106
为公交交通超图网络的节点集合，
Figure BDA0003775671360000107
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000108
其中，
Figure BDA0003775671360000109
与
Figure BDA00037756713600001010
分别为公交交通超图网络中的第i个节点与第j条超边。
在本实施例中，所述步骤4具体为：
步骤4.1：分析多方式交通之间的语义关系，建立两两子网络之间的超边ε(m,b)、ε(m,r)与ε(b,r)，构建两两子网络之间的交通超图网络
Figure BDA00037756713600001011
与
Figure BDA00037756713600001012
步骤4.2：分析地铁、公交、出租车三个子网络之间的耦合关系，利用语义关系“地铁站与公交站站名相同且在同一条路段上”建立超边
Figure BDA00037756713600001013
其中
Figure BDA00037756713600001014
并以此构建融合地铁-公交-出租车三种交通方式的交通超图网络
Figure BDA00037756713600001015
其中
Figure BDA00037756713600001016
为节点集合，
Figure BDA00037756713600001017
为关联矩阵，其定义如下所示，
Figure BDA00037756713600001018
其中，
Figure BDA0003775671360000111
与
Figure BDA0003775671360000112
分别为地铁-公交-出租车交通超图网络中的第i个节点与第j条超边。
在本实施例中，所述步骤4.1具体为：
步骤4.1.1：针对地铁-公交网络，利用语义关系“地铁站与公交站站名相同”建立超边
Figure BDA0003775671360000113
其中
Figure BDA0003775671360000114
并以此构建地铁-公交交通超图网络
Figure BDA0003775671360000115
其中
Figure BDA0003775671360000116
为节点集合，
Figure BDA0003775671360000117
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000118
其中，
Figure BDA0003775671360000119
与
Figure BDA00037756713600001110
分别为地铁-公交交通超图网络中的第i个节点与第j条超边；
步骤4.1.2：针对地铁-出租车网络，利用语义关系“地铁站在某条路段上”建立超边
Figure BDA00037756713600001111
其中
Figure BDA00037756713600001112
并以此构建地铁-出租车交通超图网络
Figure BDA00037756713600001113
其中
Figure BDA00037756713600001114
为节点集合，
Figure BDA00037756713600001115
为关联矩阵，其定义如下所示，
Figure BDA00037756713600001116
其中，
Figure BDA00037756713600001117
与
Figure BDA00037756713600001118
分别为地铁-出租车交通超图网络中的第i个节点与第j条超边；
步骤4.1.3：针对公交-出租车网络，利用语义关系“公交站在某条路段上”建立超边
Figure BDA00037756713600001119
其中
Figure BDA00037756713600001120
并以此构建公交-出租车交通超图网络
Figure BDA00037756713600001121
其中
Figure BDA00037756713600001122
为节点集合，
Figure BDA00037756713600001123
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000121
其中，
Figure BDA0003775671360000122
与
Figure BDA0003775671360000123
分别为公交-出租车交通超图网络中的第i个节点与第j条超边；
在本实施例中，所述步骤5具体为：
步骤5.1：构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure BDA00037756713600001213
步骤5.2：利用历史数据构建特征矩阵X(t)与预测标签y(t)；
步骤5.3：建立面向多方式交通协同预测的超图深度学习模型f；
步骤5.4：将样本数据输入超图深度网络模型对其进行训练，得到多方式交通协同预测模型
Figure BDA0003775671360000124
在本实施例中，所述步骤5.1具体为：
步骤5.1.1：将步骤2～步骤4构建的图网络G(m)、G(b)、G(r)与超图网络
Figure BDA0003775671360000125
Figure BDA0003775671360000126
进行融合，建立融合地铁-公交-出租车多方式交通超图网络的超边，如下所示，
ε＝{ej|j＝1,2,…,J}＝ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中，
Figure BDA0003775671360000127
Figure BDA0003775671360000128
Figure BDA0003775671360000129
其中，A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素。
步骤5.1.2：利用超边集合ε，构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure BDA00037756713600001210
其中
Figure BDA00037756713600001211
为节点集合，
Figure BDA00037756713600001212
为关联矩阵，其定义如下所示，
Figure BDA0003775671360000131
其中，
Figure BDA0003775671360000132
与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边，I＝I(m)+I(b)+I(r)＝27与J＝I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)＝49分别为超图网络的节点数量与超边数量。
在本实施例中，所述步骤5.2具体为：
步骤5.2.1：对于时间段t，利用当前时间段t及5个历史时间段内超图网络
Figure BDA0003775671360000133
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure BDA0003775671360000134
其中t取15分钟，
Figure BDA0003775671360000135
为当前15分钟内超图网络各节点交通客流量构成的特征向量；
步骤5.2.2：对于时间段t，利用下一时间段t+1(即下一个15分钟)内超图网络各节点上的交通客流量构成当前时间段的预测标签
Figure BDA0003775671360000136
在本实施例中，所述步骤5.3具体为，利用超图卷积神经网络模型建立面向多方式交通协同预测的超图深度学习模型f，其优化目标函数如下所示，
Figure BDA0003775671360000137
其中，
Figure BDA0003775671360000138
为经验损失函数，Ωreg(·)为规则化函数。
在本实施例中，所述步骤5.4具体为，将步骤5.2构建的特征矩阵X(t)与预测标签y(t)以及步骤5.1构建的超图关联矩阵
Figure BDA0003775671360000139
输入步骤5.3建立的超图深度学习模型f，利用梯度下降法对模型进行训练，得到优化后的多方式交通协同预测模型
Figure BDA00037756713600001310
在本实施例中，所述步骤6具体为：
步骤6.1：对于任意时间段t′，利用当前时间段t′及5个历史时间段内超图网络
Figure BDA00037756713600001311
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure BDA00037756713600001312
其中
Figure BDA00037756713600001313
为时间段t′内超图网络各节点交通客流量构成的特征向量；
步骤6.2：将特征矩阵X(t′)与步骤5.1构建的超图关联矩阵
Figure BDA0003775671360000141
输入步骤5.4获得的多方式交通协同预测模型
Figure BDA0003775671360000142
对未来时间段内的多方式交通客流进行预测，如下所示，
Figure BDA0003775671360000143
其中，
Figure BDA0003775671360000144
为下一时间段t′+1内超图网络各节点交通客流量的预测值。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (10)

1.一种基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，具体步骤为：
步骤1：对交通网络进行分析，获得多方式交通网络数据；
步骤2：利用空间拓扑关系构建各交通方式的交通图网络；
步骤3：对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络；
步骤4：对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络；
步骤5：建立面向城市多方式交通超网络协同预测的超图深度网络；
步骤6：利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测。
2.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，步骤1中对交通网络进行分析，获得多方式交通网络数据的具体方法为：
步骤1.1：对地铁、公交、出租车多方式交通网络进行分析，获得各交通方式图网络的节点数据；
步骤1.2：对地铁、公交、出租车多方式交通网络拓扑结构进行分析，获得各交通方式的空间拓扑结构数据。
3.根据权利要求2所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，针对地铁交通方式，提取地铁站点作为地铁交通方式图网络的节点，构成地铁交通图网络节点集合
Figure FDA0003775671350000011
I(m)为地铁站点数量；针对公交交通方式，提取公交站点作为公交交通方式图网络的节点，构成公交交通图网络节点集合
Figure FDA0003775671350000012
I(b)为公交站点数量；针对出租车交通方式，提取出租车可以通行的路段作为出租车交通方式图网络的节点，构成出租车交通图网络节点集合
Figure FDA0003775671350000013
I(r)为路段数量。
4.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，利用空间拓扑关系构建各交通方式的交通图网络的具体方法为：
针对地铁交通方式，利用地铁交通图网络节点V(m)与地铁交通方式邻接矩阵A(m)构建地铁交通方式的交通图网络G(m)＝(V(m),A(m))；
针对公交交通方式，利用公交交通图网络节点V(b)与公交交通方式邻接矩阵A(b)构建公交交通方式的交通图网络G(b)＝(V(b),A(b))；
针对出租车交通方式，利用出租车交通图网络节点V(r)与出租车交通方式邻接矩阵A(r)构建公交交通方式的交通图网络G(r)＝(V(r),A(r))。
5.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，对各交通方式的高阶语义相关性进行分析，构建不同交通方式的交通超图网络的具体步骤为：
步骤3.1：针对地铁交通方式，利用高阶语义关系建立超边ε(m)，构建地铁交通超图网络
Figure FDA0003775671350000021
具体为：
步骤3.1.1：针对地铁交通方式，利用语义关系“地铁站点属于同一条地铁线路”建立超边
Figure FDA0003775671350000022
J(m)为超边
Figure FDA0003775671350000023
的数量；
步骤3.1.2：利用超边集合ε(m)构建地铁交通超图网络
Figure FDA0003775671350000024
其中，
Figure FDA0003775671350000025
为地铁交通超图网络的节点集合，
Figure FDA0003775671350000026
为关联矩阵，其定义如下所示，
Figure FDA0003775671350000027
其中，
Figure FDA0003775671350000028
与
Figure FDA0003775671350000029
分别为地铁交通超图网络中的第i个节点与第j条超边，I(m)与J(m)分别为节点数量与超边数量，h(m)(i,j)为
Figure FDA00037756713500000210
的第i行第j列元素；
步骤3.2：针对公交交通方式，利用高阶语义关系建立超边ε(b)，构建公交交通超图网络
Figure FDA0003775671350000031
具体为：
步骤3.2.1：针对公交交通方式，利用语义关系“公交站点属于同一条公交线路”建立超边
Figure FDA0003775671350000032
J(b)为超边
Figure FDA0003775671350000033
的数量；
步骤3.2.2：利用超边集合ε(b)构建公交交通超图网络
Figure FDA0003775671350000034
其中，
Figure FDA0003775671350000035
为公交交通超图网络的节点集合，
Figure FDA0003775671350000036
为关联矩阵，其定义如下所示，
Figure FDA0003775671350000037
其中，
Figure FDA0003775671350000038
与
Figure FDA0003775671350000039
分别为公交交通超图网络中的第i个节点与第j条超边，I(b)与J(b)分别为节点数量与超边数量，h(b)(i,j)为
Figure FDA00037756713500000310
的第i行第j列元素。
6.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，对不同交通方式之间的耦合关系进行分析，构建融合城市多方式交通的交通超图网络的具体步骤为：
步骤4.1：分析多方式交通之间的语义关系，建立两两子网络之间的超边，构建两两子网络之间的交通超图网络；
步骤4.2：分析地铁、公交、出租车三个子网络之间的耦合关系，利用语义关系“地铁站与公交站站名相同且在同一条路段上”建立超边，并根据超边构建融合地铁-公交-出租车三种交通方式的交通超图网络
Figure FDA00037756713500000311
其中
Figure FDA00037756713500000312
为节点集合，
Figure FDA00037756713500000313
为地铁交通超图网络的节点集合，
Figure FDA00037756713500000314
为公交交通超图网络的节点集合，
Figure FDA00037756713500000315
为关联矩阵，其定义如下所示，
Figure FDA00037756713500000316
其中，
Figure FDA00037756713500000317
与
Figure FDA00037756713500000318
分别为地铁-公交-出租车交通超图网络中的第i个节点与第j条超边，I(m,b,r)＝I(m)+I(b)+I(r)与J(m,b,r)分别为节点数量与超边数量，h(m,b,r)(i,j)为
Figure FDA0003775671350000041
的第i行第j列元素。
7.根据权利要求6所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，分析多方式交通之间的语义关系，建立两两子网络之间的超边，构建两两子网络之间的交通超图网络的具体方法为：
步骤4.1.1：针对地铁-公交网络，利用语义关系“地铁站与公交站站名相同”建立超边
Figure FDA0003775671350000042
其中
Figure FDA0003775671350000043
并以此构建地铁-公交交通超图网络
Figure FDA0003775671350000044
其中
Figure FDA0003775671350000045
为节点集合，
Figure FDA0003775671350000046
为关联矩阵，其定义如下所示，
Figure FDA0003775671350000047
其中，
Figure FDA0003775671350000048
与
Figure FDA0003775671350000049
分别为地铁-公交交通超图网络中的第i个节点与第j条超边，I(m,b)＝I(m)+I(b)与J(m,b)分别为节点数量与超边数量，h(m,b)(i,j)为
Figure FDA00037756713500000410
的第i行第j列元素；
步骤4.1.2：针对地铁-出租车网络，利用语义关系“地铁站在某条路段上”建立超边
Figure FDA00037756713500000411
其中
Figure FDA00037756713500000412
并以此构建地铁-出租车交通超图网络
Figure FDA00037756713500000413
其中
Figure FDA00037756713500000414
为节点集合，
Figure FDA00037756713500000415
为关联矩阵，其定义如下所示，
Figure FDA00037756713500000416
其中，
Figure FDA00037756713500000417
与
Figure FDA00037756713500000418
分别为地铁-出租车交通超图网络中的第i个节点与第j条超边，I(m,r)＝I(m)+I(r)与J(m,r)分别为节点数量与超边数量，h(m,r)(i,j)为
Figure FDA00037756713500000419
的第i行第j列元素；
步骤4.1.3：针对公交-出租车网络，利用语义关系“公交站在某条路段上”建立超边
Figure FDA00037756713500000420
其中
Figure FDA00037756713500000421
并以此构建公交-出租车交通超图网络
Figure FDA00037756713500000422
其中
Figure FDA00037756713500000423
为节点集合，
Figure FDA0003775671350000051
为关联矩阵，其定义如下所示，
Figure FDA0003775671350000052
其中，
Figure FDA0003775671350000053
与
Figure FDA0003775671350000054
分别为公交-出租车交通超图网络中的第i个节点与第j条超边，I(b,r)＝I(b)+I(r)与J(b,r)分别为节点数量与超边数量，h(b,r)(i,j)为
Figure FDA0003775671350000055
的第i行第j列元素。
8.根据权利要求1所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，建立面向城市多方式交通超网络协同预测的超图深度网络的具体方法为：
步骤5.1：构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure FDA0003775671350000056
具体为：
步骤5.1.1：将步骤2～步骤4构建的图网络G(m)、G(b)、G(r)与超图网络
Figure FDA0003775671350000057
Figure FDA0003775671350000058
进行融合，建立融合地铁-公交-出租车多方式交通超图网络的超边，如下所示，
ε＝{ej|j＝1,2,…,J}＝ε(1)∪ε(2)∪ε(3)∪ε(m)∪ε(b)∪ε(m,b)∪ε(m,r)∪ε(b,r)∪ε(m,b,r)
其中，
Figure FDA0003775671350000059
Figure FDA00037756713500000510
Figure FDA00037756713500000511
其中，A(m)(i,j)、A(b)(i,j)与A(r)(i,j)分别为矩阵A(m)、A(b)与A(r)的第i行第j列元素；
步骤5.1.2：利用超边集合ε，构建融合地铁-公交-出租车多方式交通的交通超图网络
Figure FDA00037756713500000512
其中
Figure FDA00037756713500000513
为节点集合，
Figure FDA00037756713500000514
为关联矩阵，其定义如下所示，
Figure FDA00037756713500000515
其中，
Figure FDA0003775671350000061
与ej∈ε分别为多方式交通超图网络中的第i个节点与第j条超边，I＝I(m)+I(b)+I(r)为超图网络的节点数量；J＝I(m)+I(b)+I(r)+J(m)+J(b)+J(m,b)+J(m,r)+J(b,r)+J(m,b,r)为超图网络的超边数量；
步骤5.2：利用历史数据构建特征矩阵X(t)与预测标签y(t)；
步骤5.3：建立面向多方式交通协同预测的超图深度学习模型f，所述超图深度学习模型的优化目标函数如下所示，
Figure FDA0003775671350000062
其中，
Figure FDA0003775671350000063
为经验损失函数，Ωreg(·)为规则化函数；
步骤5.4：将样本数据输入超图深度网络模型对其进行训练，得到多方式交通协同预测模型
Figure FDA0003775671350000064
9.根据权利要求8所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，利用历史数据构建特征矩阵X(t)与预测标签y(t)的方法具体为：
步骤5.2.1：对于时间段t，利用当前时间段t及T-1个历史时间段内超图网络
Figure FDA0003775671350000065
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure FDA0003775671350000066
其中
Figure FDA0003775671350000067
为时间段t内超图网络各节点交通客流量构成的特征向量；
步骤5.2.2：对于时间段t，利用下一时间段t+1内超图网络各节点上的交通客流量构成当前时间段的预测标签
Figure FDA0003775671350000068
10.根据权利要求9所述的基于超图深度网络的城市多方式交通超网络态势预测方法，其特征在于，利用面向城市多方式交通超网络协同预测的超图深度网络对未来时间段内多方式交通客流态势进行预测的具体方法为：
步骤6.1：对于任意时间段t′，利用当前时间段t′及T-1个历史时间段内超图网络
Figure FDA0003775671350000069
各节点上的交通客流数据作为当前时间段的超图网络特征矩阵
Figure FDA0003775671350000071
其中
Figure FDA0003775671350000072
为时间段t′内超图网络各节点交通客流量构成的特征向量；
步骤6.2：将特征矩阵X(t′)与步骤5.1构建的超图关联矩阵
Figure FDA0003775671350000073
输入步骤5.4获得的多方式交通协同预测模型
Figure FDA0003775671350000074
对未来时间段内的多方式交通客流进行预测，如下所示，
Figure FDA0003775671350000075
其中，
Figure FDA0003775671350000076
为下一时间段t′+1内超图网络各节点交通客流量的预测值。
CN202210916015.7A 2022-08-01 2022-08-01 基于超图深度网络的城市多方式交通超网络态势预测方法 Pending CN115345354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210916015.7A CN115345354A (zh) 2022-08-01 2022-08-01 基于超图深度网络的城市多方式交通超网络态势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210916015.7A CN115345354A (zh) 2022-08-01 2022-08-01 基于超图深度网络的城市多方式交通超网络态势预测方法

Publications (1)

Publication Number Publication Date
CN115345354A true CN115345354A (zh) 2022-11-15

Family

ID=83950067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210916015.7A Pending CN115345354A (zh) 2022-08-01 2022-08-01 基于超图深度网络的城市多方式交通超网络态势预测方法

Country Status (1)

Country Link
CN (1) CN115345354A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和***
CN117131938B (zh) * 2023-10-26 2024-01-19 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和***

Similar Documents

Publication Publication Date Title
CN105206048A (zh) 一种基于交通od数据的城市居民群体换乘模式发现***及方法
CN113326974B (zh) 一种基于多任务超图卷积网络的多源交通流预测方法
CN115062873B (zh) 交通出行方式预测方法和装置、存储介质及电子设备
CN111931998B (zh) 一种基于移动定位数据的个体出行模式预测方法及***
CN107656987A (zh) 一种基于lda模型的地铁站点功能挖掘方法
CN103530694A (zh) 基于时空网络构建的城市地铁动态客流分配方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN109325614B (zh) 一种基于gis的汽车站选址方法
Huang et al. A multi-mode traffic flow prediction method with clustering based attention convolution LSTM
CN115345354A (zh) 基于超图深度网络的城市多方式交通超网络态势预测方法
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
CN111191817A (zh) 一种基于换乘客流量的公交线网拓扑划分方法
Ma et al. An interpretable analytic framework of the relationship between carsharing station development patterns and built environment for sustainable urban transportation
CN113641749A (zh) 一种基于二部图的人口流动网络估计方法及***
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及***
CN108960684B (zh) 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN115423286A (zh) 一种市域轨道交通郊区段车站吸引范围划分方法
Li et al. Intelligent traffic data transmission and sharing based on optimal gradient adaptive optimization algorithm
Li et al. Aggregate location recommendation in dynamic transportation networks
CN116894609B (zh) 一种基于半监督图神经网络的公交轨道接驳评价方法
Bai et al. Identifying the hotspots in urban areas using taxi GPS trajectories
Xu et al. Analysis of public transport system efficiency based on multi-layer network
SHE et al. Aggregate Tour-Based Model Framework of Urban Transportation

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