一种基于异质图神经网络的多模态交通推荐方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114969532A(43)申请公布日2022.08.30(21)申请号202210622315.4G01C21/34(2006.01)(22)申请日2022.06.01G01C21/20(2006.01)(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人钟萍徐爱昆王安宁鲁鸣鸣高建良(74)专利代理机构长沙永星专利商标事务所(普通合伙)43001专利代理师周咏米中业(51)Int.Cl.G06F16/9535(2019.01)G06F16/9537(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书9页附图5页(54)发明名称一种基于异质图神经网络的多模态交通推荐方法(57)摘要本发明公开了一种基于异质图神经网络的多模态交通推荐方法，包括获取历史出行数据并处理得到训练数据集；构建起点‑目的地多二部图嵌入方案；构建异质交通图；设计带有残差网络的分层注意力机制；构建多模态交通推荐初始模型并训练得到基于异质图神经网络的多模态交通推荐模型；采用基于异质图神经网络的多模态交通推荐模型进行实时的多模态交通推荐。本发明方法能够显式捕获实体之间的关联并从多种视角以分层次的方式捕获不同实体之间的潜在联系，同时解决模型无法区分节点特征的问题，能够有效提升多模态交通推荐问题的准确性，推荐准确率高且可靠性好。CN114969532ACN114969532A权利要求书1/4页1.一种基于异质图神经网络的多模态交通推荐方法，包括如下步骤：S1.获取历史出行数据，并处理得到训练数据集；S2.构建起点‑目的地多二部图嵌入方案；S3.根据构建的起点‑目的地多二部图嵌入方案，构建异质交通图；S4.设计带有残差网络的分层注意力机制，以解决过度平滑的问题；S5.对步骤S4的结果进行汇聚和处理，得到最终的多模态交通推荐结果，构建多模态交通推荐初始模型；S6.采用步骤S1得到的训练数据集，对步骤S5构建的多模态交通推荐初始模型进行训练，得到基于异质图神经网络的多模态交通推荐模型；S7.采用步骤S6得到的基于异质图神经网络的多模态交通推荐模型，进行实时的多模态交通推荐。2.根据权利要求1所述的一种基于异质图神经网络的多模态交通推荐方法，其特征在于步骤S1所述的获取历史出行数据，并处理得到训练数据集，具体包括如下步骤：所述的历史出行数据包括用户属性数据、起点数据、目的地数据、情境感知数据和交通方式数据，并以时间序列格式进行保存；根据历史出行数据，将对应的起点和目的地的组合为起点‑目的地对(OD对)；收集交通数据集，并转化为图结构数据；图结构数据包括用户、交通方式、OD对、起点、目的地点，具有关系的边和行驶语义；节点数据采用如下公式进行形式化表示：式中Xu为用户属性数据，且N为导航数据集的总数据量，q为用户属性数据的维度；Xo为起点数据，且p为起点和目的地的维度；Xd为目的地数据，且Xcon为情境感知数据，且k为上下文数据的维度；Xod为OD对数据，且n为OD对的维度，且n＝p+p。3.根据权利要求2所述的一种基于异质图神经网络的多模态交通推荐方法，其特征在于步骤S2所述的构建起点‑目的地多二部图嵌入方案，具体包括如下步骤：提取起点o、目的地d、OD对od、和用户u的特征；根据OD对，构建起点‑目的地二部图，并在GCN层聚合来自邻居节点的信息，用于表征二部图的点；根据用户在OD对行驶过的数据信息，构建用户‑OD对二部图，并通过GAT层更新节点信息；所述的GCN层，具体为在获得起点‑目的地二部图后，通过以下GCN模型分别更新起点和目的地的特征：2CN114969532A权利要求书2/4页式中为起点oi的第l+1层的嵌入；N(oi)为起点oi的度；N(dj)为目的地dj的度；为目的地dj的第l层的嵌入；为目的地di的第l+1层的嵌入；N(di)为目的地di的度；N(oj)为起点oj的度；为起点oj的第l层的嵌入；当OD对存在时，eod＝eo||ed，||为合并操作；所述的GAT层，具体为在获得用户‑OD二部图后，用户‑OD二部图的初始化表征矩阵E为式中M为OD对的数量；Q为用户的数量；为第j个OD对的初始化嵌入，j＝1,2,...,M；为第i个用户的初始化嵌入，i＝1,2,...,Q；为了获取用户的特征信息，通过聚合用户u邻居传播的信息以更新用户u的表征；定义以下聚合函数(l)式中为在第l+1层用户ui的嵌入；N(ui)为ui的邻居聚合；W1为训练得到的权重矩阵；为用户ui和odj之间的注意力值；为第l层中用户ui和odj之间的注意力值，且softmax()为归一化指数函数softmax，为第l层中第i个用户对第j个OD对的重要