[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

说明书

本发明公开了一种基于置信图卷积网络的交通资源分配方法、系统及介质，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；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；基于深度置信网络对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。本发明可以及时响应交通站点的资源分配问题，从而实现更优地动态分配交通资源。

技术领域

本发明涉及交通资源分配领域，特别涉及一种基于置信图卷积网络的交通资源分配方法、系统及介质。

背景技术

交通资源广义上是指在交通运输行业中，各种技术条件下所有的运输方式的基础设计及其组合。交通资源的优化配置被直接考虑为各种交通运输方式基础设施的优化组合。智能交通资源分配系统首先建立在现实采样和数据分析的基础上，通过对现实场景进行抽象化建模，再以建模结果为基础使用先进的分析算方法来分析交通资源的最佳分配方式。

近年来，在宏观层面，我国交通运输业实现了跨越式的发展，以公共道路交通和高铁城际交通为主的交通网络在全国范围内大面积铺开，各大城市都建立了交通运输枢纽，跨省交通方式逐渐丰富，客运量和货运量均实现多年的同比连续增长。在微观层面，每个城市又拥有独立的局部交通资源，比如共享单车、城市轨道和公交车等。但是，随着交通资源网络规模的扩大，网络拓扑结构愈加复杂，意味着如何对交通资源进行高效率地分配成为难题。传统的交通资源分配无法动态捕获交通网络的变化情况，从而缺乏动态适应性分配的能力。

传统的卷积神经网络只能处理欧氏空间数据，如图像、文本、语音等，这些领域的数据具有平移不变性，平移不变性是指以任意像素点为中心，可以获取相同尺寸的局部结构。平移不变性使得在输入数据空间定义全局共享的卷积核，从而定义卷积网络。而图数据是一种非欧空间数据，其每个节点的局部结构各异，使得平移不变性不再满足，即图数据不具有平移不变性，故传统卷积神经网络中的基本算子(卷积和池化)都无法在图数据上实现应用的功能。

因此，现在需要一种能够解决上述问题的基于置信图卷积网络的交通资源分配方法、系统及介质。

发明内容

本发明的目的是提供一种应对交通网络中资源动态分配问题的基于置信图卷积网络的交通资源分配方法、系统及介质。

为达到上述目的，本发明采用的技术方案如下：

一种基于置信图卷积神经网络的交通资源分配方法，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。

进一步地，所述交通资源分配方法还包括：