1.一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,包括以下步骤:步骤一:共乘分类
在司机原始路径确定的情况下,根据乘客的起点和终点与司机原始路径的关系,将共乘分为两类:第一类是端点共乘,乘客的起点和终点在司机的原始路径上;另一类是沿途共乘,乘客的起点和终点都不在司机的原始路径上,乘客需要从起点步行至上车点,然后达成共乘,再由下车点步行至目的地,共乘路径轨迹是乘客轨迹的一部分;
步骤二:构建异质共乘网络
将司机与乘客的请求信息表示为异质共乘网络形式,乘客与司机之间通过位置与时间信息相连接,从而构建异质共乘网络;
步骤三:使用网络表示学习模型对异质共乘网络进行表示学习,得到用户节点的低维向量表示;
步骤四:根据用户节点的低维向量表示计算司机与乘客节点的余弦相似度,并将计算得到的余弦相似值由大到小排序,返回与司机相似度数值最高的前k个乘客,作为可以共乘的乘客,达成共乘。
2.根据权利要求1所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,步骤一中,司机与乘客的请求信息包括司机起点和终点、离开时间、司机轨迹、上下车位置、乘客起点和终点以及上下车时间。
3.根据权利要求1所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,步骤二中,异质共乘网络中节点的类型包括用户、地点、时间段以及活动。
4.根据权利要求1所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,步骤三中,进行表示学习的过程具体包括以下两个步骤:
1)生成节点序列集:元路径指导节点在异质共乘网络中的游走,生成固定长度的节点序列集;
2)将生成的固定长度的节点序列集输入到skip-gram模型中进行训练,获取司机与乘客节点的向量表示。
5.根据权利要求4所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,步骤1)中,对于端点共乘,构建结构为ULTLU的元路径;对于沿途共乘,在时间段相同的约束下,构建结构为ULU的元路径。
6.根据权利要求4所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,步骤三中,进行表示学习的具体过程如下:首先,给定具体的元路径 通过元路径 来指导节点在异质共乘网络中的随机游走,生成固定长度的节点序列集;其次,对于固定长度的节点序列集中任意用户节点vu,假设某一节点在序列集中的位置序号是j,则该方法会选取节点集vj-c,…,vj+c作为邻居节点,c是skip-gram中窗口大小的一半;因此,给定用户节点vu,skip-gram模型的目标是最大化具有异构邻居节点的上下文的条件概率:其中,Na(vu)是节点vu邻居节点的集合, 是节点类型的集合,p(vj-c,…,vj+c|vu;θ)为在已知中心节点的条件下,上下文的条件概率;
在假设各个节点间相互独立的情况下,在已知中心节点的条件下,上下文的条件概率为log p(vj-c,…,vj+c|vu;θ)进一步分解为其中的p(vk|vu;θ)使用softmax函数定义了给定节点vu的上下文节点vk的条件概率;
其中 表示节点vu的表示向量;
根据给定节点vu的上下文节点vk的条件概率生成表示向量,再采用负采样来优化表示向量,得到异质共乘网络中每个用户节点的低维向量表示。
7.根据权利要求6所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,随机游走的游走概率 如下:公式(1)中,a表示节点类型, 是路径上的一个a类型节点, 表示沿着预定义的元路径 上节点 的邻居节点数量,ε表示网络中的链路集合,vi+1, 表示两个节点在网络中能够构成一条链路,fv(vi+1)=a+1指的节点vi+1是a+1类型的节点;
公式(2)表示选取的元路径均为对称元路径。
8.根据权利要求6所述的一种基于网络表示学习的网约共享出行人员匹配方法,其特征在于,采用负采样来优化表示向量的具体过程如下:其中 是vu的随机负节点样本的集合,负采样节点集 根据噪声分布
p(v′u)来采样,
然后使用随机梯度下降方法使得对数似然函数 最大化,来更新(5)式中节点的向量表示,具体如式(6)、式(7)所示,得到异质共乘网络中每个用户节点的低维向量表示;
其中 函数表明了v′u是否是上下文邻居节点vk。