(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