← 返回列表
结构性数据缺失下基于超图神经网络的城市交通预测方法
申请人信息
- 申请人:南京理工大学
- 申请人地址:210094 江苏省南京市玄武区孝陵卫街道200号南京理工大学
- 发明人: 南京理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 结构性数据缺失下基于超图神经网络的城市交通预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311435923.5 |
| 申请日 | 2023/11/1 |
| 公告号 | CN117496702A |
| 公开日 | 2024/2/2 |
| IPC主分类号 | G08G1/01 |
| 权利人 | 南京理工大学 |
| 发明人 | 唐坤; 徐添; 殷蒙蒙; 丁锦鸿; 郭唐仪 |
| 地址 | 江苏省南京市玄武区孝陵卫200号 |
摘要文本
本发明公开了一种结构性数据缺失下基于超图神经网络的城市交通预测方法，由四个主要部分组成：数据输入、超图构建、特征传播、超图卷积和交通预测。基于多模式的静态地形数据和动态交通数据，构建并整合了两个语义超图和一个地理空间图，以描述交通状况的细粒度和粗粒度的高阶语义关联以及二阶地理空间关联。为了学习超图上的特征表示，从图卷积和超图学习理论中得到了一个新的超图卷积算子。通过使用所提出的超图卷积作为构建模块的深度网络，学习预测的高级特征表示，然后预测交通状况。本发明基于超图进行特征传播来处理超图学习模型中的缺失特征，通过在已知特征的节点之间传播特征，实现了在高缺失率下重建结构性缺失特征。
专利主权项内容
1.一种结构性数据缺失下基于超图神经网络的城市交通预测方法，其特征在于，包括以下步骤：步骤1：提取目标地区中各个交通区域之间的静态空间拓扑结构数据与动态交通状态数据，构建交通区域邻接矩阵、以时间段为间隔的近期交通状态特征矩阵以及以天为间隔的历史交通状态特征矩阵；步骤2：根据邻接矩阵、近期交通状态特征矩阵、历史交通状态特征矩阵建立基于二阶空间关联性的拓扑超图、基于连续时间段交通状态特征的语义超图以及基于每日交通状态特征的语义超图，将三个超图拼接后得到的新超图，新超图以时间段交通状态特征矩阵、每日交通状态特征矩阵；步骤3：对新超图进行特征传播以填补缺失的特征值；步骤4：以进行补全后的新超图的关联矩阵作为输入构建深度超图卷积网络，逐层进行超图卷积；步骤5：利用训练集对深度超图卷积网络进行训练，获得最优模型参数，将下一时刻的交通状态特征输入至训练得到的最优模型，对下一时刻的交通状况进行预测。 关注微信公众号马克数据网