[发明专利]基于置信图卷积网络的交通资源分配方法、系统及介质

权利要求书

1.一种基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述交通资源分配方法用于对交通资源的自动化分配，所述交通资源分配方法包括：

对当前实际交通网络和交通站点进行建模，其过程包括将所述实际交通网络转换生成交通网络图数据的边集合，并将部分交通站点转换生成交通网络图数据的节点集合；

通过图嵌入方法来对建模生成的交通网络图数据进行特征提取，从而确定特征提取向量；所述特征提取的过程包括获取所述节点的原始特征表示，并将所述原始特征表示输入Skipgram模型处理得到最终的特征提取向量；

基于深度置信网络对所述特征提取向量进行处理，并将通过图卷积神经网络进行传播和更新，从而更新所述节点的特征表示并改变每个节点的标签类型，以生成目标拓扑结构，进而根据所述目标拓扑结构自动分配交通资源至相应的交通站点处，以实现一次交通资源的自动化分配；所述基于深度置信网络的处理过程包括基于RBM进行无监督预训练并通过CD-k方法进行权值初始化，从而计算所述深度置信网络中隐藏层置信神经元被开启的概率分布，进而基于所述概率分布更新权重；所述基于图卷积神经网络进行传播和更新的过程包括通过池化传播对所述交通网络图数据的节点集合进行聚合；所述节点的标签类型表示与该节点对应的交通站点的当前交通资源的紧张程度，当所述紧张程度越高时，分配给相应的交通站点的交通资源越多。

2.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述交通资源分配方法还包括：

在完成一次交通资源的自动化分配后更新当前实际交通网络的的资源分配情况，并基于更新后的实际交通网络数据再次进行交通资源的自动化分配；其中，所述更新当前实际交通网络的的资源分配情况的方法包括：

根据经所述自动化分配后的实际交通网络中各个交通站点处交通资源的变化情况更新所有交通节点的特征矩阵，以得到新的交通网络图数据；

利用GCN网络模型对所述新的交通网络图数据进行傅里叶变换以及节点与邻居节点间的传播，其中，与所述目标拓扑结构相关的目标节点的特征根据其邻居节点的特征进行聚合；

根据聚合结果对所述目标节点的标签类型进行更新，同时开始反向传播，从而对所述目标节点的邻居节点的标签类型进行更新。

3.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述获取节点的原始特征表示的方法包括：

重复以下步骤以采集多组节点序列：从所述图数据中的任意一个节点出发并在所述节点之间等概率地转移。

4.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，所述将所述原始特征表示输入Skipgram模型处理得到最终的特征提取向量的方法包括：

在反向传播时更新隐藏层的部分权重，且根据与所述权重相关的节点出现概率判断是否更新所述权重，并继续对部分节点进行采样，且控制所述节点被采样的概率；

其中，所述权重被更新的概率根据下式确定：

式中，P(v)_vi为节点v_i出现概率，Z(v_i)为节点v_i的权值，Z(v_j)为节点v_j的权值，v_i、v_j来自于交通网络图数据的节点集合；

其中，所述节点出现概率根据下式确定：

式中，P(o_i)为根据现有权重所构建的网络中节点o_i出现概率，Z(o_i)为根据现有权重所构建的网络中节点o_i的权重。

5.根据权利要求1所述的基于置信图卷积神经网络的交通资源分配方法，其特征在于，根据下式计算所述深度置信网络中隐藏层置信神经元被开启的概率分布：

式中，为概率分布，v⁽⁰⁾来自于交通网络图数据的节点集合，θ为学习率，W_j为待处理的向量矩阵，b_j为偏置量。