(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202111662829.4
(22)申请日 2021.12.31
(71)申请人 北京工业大 学
地址 100124 北京市朝阳区平乐园10 0号
(72)发明人 贾楠楠 迟远英 丁治明 郭黎敏
詹海伦
(74)专利代理 机构 北京思海天达知识产权代理
有限公司 1 1203
专利代理师 沈波
(51)Int.Cl.
G06F 16/9537(2019.01)
G06F 16/9535(2019.01)
G06K 9/62(2022.01)
(54)发明名称
基于动态交通网络的多模态出行方式融合
推荐方法
(57)摘要
本发明公开了基于动态交通网络的多模态
出行方式融合推荐方法, 本发明首先将用户时空
出行轨迹构建成异构信息网络, 并考虑出行过程
中不断发生变化的动态交通网络; 根据异构信息
网路, 预处理历史轨迹数据; 从异构信息网络对
应的网络模式中抽取关键元路径以丰富对象的
特征嵌入; 通过聚合函数实现元路径特征聚合;
利用元路径引导的图神经网络对用户与出行方
式动态建模, 得出具有丰富交互信息的特征嵌
入; 将用户及出行方式的最终特征嵌入输入MLP
中, 充分学习用户在时空出行轨迹中对出行方式
的偏好, 向用户推荐满足个性化需求的出行方
式。 本发明细粒度的描述了用户对 出行方式的个
性化偏好, 同时缓解了交通压力, 提高了交通韧
性。
权利要求书3页 说明书7页 附图4页
CN 114461934 A
2022.05.10
CN 114461934 A
1.基于动态交通网络的多模态出 行方式融合推荐方法, 其特 征在于, 包括以下步骤:
步骤1、 提出将异构信息网络应用到交通出行上, 将用户、 出行方式、 起止地点以及出行
方式的时空属性信息构建异构信息网络;
步骤2、 根据步骤1中构建的异构信息网络, 预处理时空轨迹数据, 对用户时空出行轨迹
数据进行有效性处理, 提取用户、 出行方式、 起止地点以及时间等属性, 构建映射关系, 得到
应用数据;
步骤3、 从异构信息网络对应的网络模式 中抽取关键元路径以丰富对象的特 征嵌入;
步骤4、 通过聚合 函数实现元路径特 征聚合;
步骤5、 利用元路径引导的图神经网络对用户与出行方式动态建模, 得出具有丰富交互
信息的特 征嵌入, 其中用户具有时序性, 采用LSTM动态建模, 出 行方式采用CN N动态建模;
步骤6: 将用户及出行方式的最终特征嵌入输入MLP中, 充分学习用户在时空出行轨迹
中对出行方式的偏好, 向用户推荐满足个性 化需求的出 行方式。
2.如权利要求1所述的基于动态交通网络的多模态出行方式融合推荐方法, 其特征在
于, 步骤1构建异构信息网络如下:
步骤1‑1: 定义一个集合M={U, V, T, L}, 其中U表示用户的集合; V表示用户在出行轨迹
中使用的出行方式, 包括地铁、 公交、 驾车、 出租车、 自从车、 步行; T表示用户使用某出行方
式时的开始时间; L表示用户在某个时间使用某种出行方式所历经的起止位置; 属于异构交
通出行网络中的节点类型;
步骤1‑2: 在多模式交通网络中, 用户乘坐不同的出行方式到达目的地, 它们之间存在
一定联系; 将用户、 出行方式、 起止地点以及出行方式的时空属性构建异构信息网络, 通过
学习用户与用户、 用户与出行方式、 出行方式及其对应的起止地点对 象之间的语义关系获
取更多的潜在特 征, 充分表达用户对出 行方式的个性 化偏好。
3.如权利要求1所述的基于动态交通网络的多模态出行方式融合推荐方法, 其特征在
于, 步骤2所述时空出 行轨迹预处理阶段包括如下:
步骤2‑1: 数据清洗: 在对数据进行特征计算之间, 需要进行数据过滤: 清洗冗余数据、
删除删除缺失重要字段及字段值的记录、 数据筛除;
步骤2‑2: 特征属性计算: 将速度、 加速度、 加速度变化率、 转向角这四个特征作为轨迹
属性进行计算; 在CNN中, 所有 数据段都被限制为固定大小的M; 较长的数据段被截断为M, 而
较短的数据段用零值填充; 在生成具有相同大小的片段之后, 使用两个连续的GPS轨迹点
(lat,long,t),计算每 个GPS点的属性 值;
步骤2‑3: 停留点识别划分行程: 通过识别用户在轨迹中的停留点划分行程, 每个行程
包含多个出行方式段; 采用DBSCAN聚类算法进 行停留点的识别, 并结合POI库提取对应轨迹
点语义;
步骤2‑4: 基于转换点的识别分割行程提取出行方式段: 采用基于步行段的方法进行单
一出行方式段的分割;
步骤2‑5: 基于卷积神经网络识别出行方式: 融合每个出行方式段的特征属性, 让卷积
神经网络去捕获方式段的特 征, 最终完成GP S轨迹中出行方式的识别;
步骤2‑6: 建立用户、 出 行方式、 起止地 点等之间的映射关系, 得到应用数据。
4.如权利要求1所述的基于动态交通网络的多模态出行方式融合推荐方法, 其特征在权 利 要 求 书 1/3 页
2
CN 114461934 A
2于, 步骤3所述从异构信息网络对应的网络模式 中抽取关键元路径包括如下:
步骤3‑1: 为了能更好的理解异构信息网络, 构建网络模式, 其规定了对象集的类型约
束以及对象之 间的联系: 用户与出行方式之 间存在联系, 表明使用与被使用关系; 位置与出
行方式之间存在联系, 表明引导与被引导关系等;
步骤3‑2: 提取四种元路径: “用户—出行方式—起止位置 ”、“用户—出行方式—用户—
出行方式 ”、“出行方式—用户—用户—起止位置 ”、“出行方式—用户—起止位置—用户—
出行方式”。
5.如权利要求1所述的基于动态交通网络的多模态出行方式融合推荐方法, 其特征在
于, 步骤4所述 通过聚合 函数实现元路径特 征聚合包括如下:
步骤4‑1: 基于步骤3 ‑2所提出的四种元路径, 统计元路径引导的邻居: 例如用户u2在元
路径Φ:U ‑V‑L下的一阶邻居为
u2的二阶邻居是一阶邻居中所有节点的一
阶 邻 居 , 所 以 其 二 阶 邻 居 是
用 户u2的 所 有 邻 居 表 示 为
步骤4‑2: 选取合适的聚合函数对元路径进行特征聚合, 定义两条元路径Φuvl:U‑V‑L,
ΦUVUV:U‑V‑U‑V, 已知各节点的初始特 征向量, 阐 述了元路径聚合的两个过程如下:
元路径内部聚合: 选择合适的聚合函数聚合二阶邻居节点的嵌入, 得到一阶邻居节点
的嵌入, 然后聚合 一阶邻居节点的嵌入, 得到目标节点的嵌入, 如下 所示:
f是聚合u2在指定元路径上一阶邻居、 二阶邻居嵌入的聚合函数,
为
用户u2在元路径上 的二阶邻居节点嵌入,
为一阶邻居节点嵌入, 通过聚合二
阶邻居节点嵌入更新得来, 然后聚合一阶邻居嵌入得到用户u2在元路径Φuvl上的最终嵌
入;
元路径之间聚合: 聚合 不同元路径得到的用户u2的嵌入, 获取u2的最终嵌入:
6.如权利要求1所述的基于动态交通网络的多模态出行方式融合推荐方法, 其特征在
于, 步骤5所述利用元路径引导的图神经网络对用户与出行方式动态建模, 得出具有丰富交
互信息的特 征嵌入的过程包括如下:
步骤5‑1: 对用户进行动态建模, 首先使用平均聚合函数聚合二阶邻居以及一阶邻居的
嵌入, 聚合结果与一阶邻居节点进行拼接, 更新一阶邻居的嵌入, 用户具有时序性, 这里采
用LSTM聚合函数:
聚合不同元路径 下用户的嵌入; 其中Φi是
以用户作为目标节点的不同元路径:
步骤5‑2: 对出行方式进行动态建模, 首先采用平均聚合函数逐个进行元路径内部邻居
节点特征聚合, 然后使用CNN聚合函数完成不同元路径之 间的特征聚合, 得到所有 出行方式
节点的最终嵌入; 其中Φi是以出行方式为目标节点的不同元路径:
权 利 要 求 书 2/3 页
3
CN 114461934 A
3
专利 基于动态交通网络的多模态出行方式融合推荐方法
安全报告 >
其他 >
文档预览
中文文档
15 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共15页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 22:44:50上传分享