[发明专利]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

权利要求书

1.一种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，其特征在于，所述方法包括以下步骤：

步骤1，跨模态数据获取与预处理：采集与未知目标设施v₀相关的其他设施v的多模态历史数据，并对这些数据进行归一化处理，得到特征表示表示设施v在时间t的历史需求；

步骤2，构建描述跨模态的设施间关系的异构图结构；具体包括：

将不同模态的设施作为异构图结构的图节点，节点特征为步骤1中得到的特征表示；

计算跨模态的设施间的地理距离相近性与自身功能相似性，得到跨模态的设施间的多类异构关系，将该多类异构关系作为异构图结构的异构边；

步骤3，构造一个以未知目标设施为中心，其余节点为已有的其他多模态设施的异构子图结构；

步骤4，针对步骤3异构子图结构中的中心节点以外的具有节点特征表示的所有节点，采用关系图神经网络模型计算其高阶特征表示；

步骤5，采用深度学习架构，通过邻居节点特征聚合器有选择地提取子图中的特征信息，组成图的特征嵌入表示，作为中心的未知目标设施的节点特征表示；

步骤6，提取时间相关性，将每个时间片段学习到的未知目标设施的节点特征表示作为循环神经网络模型输入，预测未来未知目标设施的需求情况。

2.根据权利要求1所述的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，其特征在于，所述距离相近性的计算公式为：

式中，表示设施i与设施j之间的距离相近性，dis_ij表示设施i与设施j之间的直接距离，exp()表示e指数函数，γ表示两个设施之间有联系的直接距离的最大阈值，r_GEO表示距离相近性的边类型；

所述功能相似性的计算公式为：

式中，表示设施i与设施j之间的功能相似性，Cos(F_i,F_j)表示设施i与设施j的POIs分布向量的余弦距离，N表示归一化函数，β表示两个设施之间有联系的余弦相似度的最小阈值，r_POI表示功能相似性的边类型。

3.根据权利要求1所述的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，其特征在于，步骤3以所述未知目标设施为初始节点，构造一个未知目标设施为中心，其余节点为已有的其他多模态设施的异构子图结构，具体为：

以所述未知目标设施为初始节点，根据步骤2中计算得到的多类异构关系，采用基于广度优先搜索的子图构造方法，构造一个以未知目标设施为中心，其余节点为已有的其他多模态设施的异构子图结构，具体过程包括：

步骤3-1，输入子图节点的个数M，未知目标设施v₀作为中心节点和初始节点，其他已有设施的节点表示v^Re，以及时间t；

步骤3-2，初始化一个队列，将未知目标设施v₀入队；

步骤3-3，从队列中出队一个设施v_i，将该设施和与该设施有关的边加入最终子图中，计算所有其他已有设施v^Re中设施v_j与设施v_i的距离相近性与功能相似性边权值，若边权值大于0，则按照边权值从大到小的顺序将该设施v_j加入到队列中；

步骤3-4，重复步骤3-3直到队列为空或子图中节点个数为M为止；

步骤3-5，输出最终的子图其中心节点为未知目标设施v₀；

对于历史上的多时间片段，均计算其对应的子图，形成一组时序图结构均以未知目标设施v₀作为中心节点。