1.基于数据融合和知识图谱嵌入的城市流量模式挖掘方法,其特征在于,包括:步骤1:多源异构数据预处理,包括:对城市地图按经纬度划分为M×N个区域,并将每条轨迹的起始点ps和到达点pe分别映射到对应的起点区域和终点区域中;
计算在不同时间点所有区域之间的迁移量,得到时间序列迁移矩阵 其中,|v|表示所有区域的数量,|v|=M×N,T表示时间点的数量;
计算整个时间段每个区域的流量变化量,得到区域迁移矩阵计算每两个区域之间的欧氏距离,得到区域相对距离矩阵利用独热编码对每个区域的POI属性进行初始化编码,计算每两个区域之间的余弦相似度,得到区域POI语义相似度矩阵步骤2:实体提取和关系提取,包括:将 输入到LSTM自编码器的编码器中,获取特定的时间段内任意两个区域的迁移特征 其中,k是时间序列迁移矩阵的特征维度;所述LSTM自编码器由编码器和解码器组成,其中编码器由两层LSTM层和一层线性层构成,解码器和编码器具有相同的结构;
将 输入到2D‑CNN自编码器中,得到区域的迁移特征 其中,k2是区域迁移矩阵的特征维度;所述2D‑CNN自编码器由编码器和解码器组成,其中编码器由两层
2D卷积层和一层线性层构成,解码器由第一上采样层、第一2D卷积层、激活层、第二上采样层和第二2D卷积层构成;
将 输入到另一个2D‑CNN自编码器中,得到区域的相对距离特征将 输入到1D‑CNN自编码器中,得到区域的POI语义特征 所述1D‑CNN自编码器由两层1D卷积层和一层线性层构成,解码器由第一上采样层、第一1D卷积层、激活层、第二上采样层和第二1D卷积层构成;
步骤3:多源数据融合,包括:
对 和 进行平均融合,即 得到融合结果 再将和 进行连接融合,并加上一层线性层,得到提取出的实体,即V=Linear(Concat(V0,P));其中,Linear(·)表示线性层,Concat(·)表示连接融合;
通过POI转化层将 转化为区域之间的POI特征迁移 即P'=Concat(Mul(pi,P)),i=1,2,3...|V|,pi∈P;其中,pi表示区域i的POI语义特征,Mul(a,b)表示矩阵a和b对应位相乘;
将 和 进行注意力融合,并加上一层线性层,得到提取出的关系,即R=Linear(Concat(R0,R0×Attention));其中,Attention为区域的注意力值, Q是查T
询,K和A是键值对的集合,K表示K的转置,d是作为比例因子的键向量的维数,softmax函数将注意力得分映射到(0,1)区间内;
步骤4:城市流量模式的知识三元组挖掘,包括:将起点区域vs和终点区域ve分别作为知识三元组的头实体和尾实体,两个区域之间的交通流量模式r作为关系,构建初始化的知识三元组<vs,r,ve>;其中,vs∈V、ve∈V和r∈R;
随机用其它区域替换头实体和尾实体,得到伪知识三元组的集合S'={(vs',r,ve)|vs'∈V}∪{(vs,r,ve')|ve'∈V};其中,vs'和ve'分别表示生成的伪知识三元组中随机替换的头实体和尾实体;
定义将头实体和尾实体映射到关系所在平面中的映射矩阵 并将矩阵Q中的每一个元素值随机初始化;利用基于平移距离的方法训练映射矩阵Q,最终得到城市流量模式的知识三元组;训练映射矩阵Q的损失函数为其中,S为知识三元组的集合;γ是超参数,作为知识三元组和伪知识三元组之间的边缘; 是二范数; 是防止过拟合的正则化项;[x]+是x的正的部分,即[x]+=max{0,x}。