基于动态交通网络的多模态出行方式融合推荐方法

1.本发明属于交通出行方式推荐与异构图神经网络交叉领域，具体涉及基于动态交通网络的多模态出行方式融合推荐模型。


背景技术：

2.随着城市化的不断发展和经济水平的提高，人们出行需求日益多样化，当需求超过了交通系统的承载能力，就会产生各种交通问题甚至环境问题，比如交通堵塞，汽车废气污染等。而人们在多模式交通网络中的复杂选择行为决定了出行需求在交通网络上的分布，从平衡交通需求分布的角度出发，进行个性化出行方式推荐具有很大的研究价值。
3.如今在大数据时代，推荐系统作为信息过滤技术，为用户推荐符合个人需求的信息显得尤为重要。异构信息网络考虑了不同类型对象、对象间的不同连接关系以及属性信息，充分体现了推荐系统中不同对象之间的交互，从中挖掘出隐含信息，学习更深层次的规律性，大大提高推荐精度，为个性化推荐技术开辟了新道路。另外，可以看出传统的user-item推荐本身就是异构二部图，所以将hin(heterogeneous information networks，hin)用在推荐技术中是必然的。常见的异构信息网络如社交网络、生物神经网络、学术网络等，但不止这些，现实世界的数据丰富多样，信息网络无处不在。例如，将电影的类型、导演以及用户属性构建异构信息网络，更加细粒度的表达用户的偏好。通过构建异构信息网络进行推荐的研究还有很多，比如恶意账户检测、搜索意图推荐等。本文发现，用户在多模式交通网络上的出行行为也是一种信息网络的体现，继而提出将异构信息网络中的表示学习技术应用到交通出行上，并结合动态交通网络进行多模式出行方式的推荐。
4.图1阐述了用户时空出行轨迹与交通网络的交互过程，用户使用多种出行方式在复杂的交通网络之间不断转换，最终形成轨迹链。其中复杂的交通网络由多模态出行方式组成，出行方式是理解用户移动行为的基本属性，而且用户在轨迹中使用的交通方式可以体现出用户移动状态的规律性，所以一直以来多数学者对出行方式相关研究领域备受关注。虽然出行方式领域备受关注，但是对出行方式个性化推荐的研究依然很少，本文提出将异构信息网络表示学习应用到交通出行上，完成出行方式的个性化推荐在一定程度上填补了该空缺。也有研究人员采用基于序列的方法对用户进行个性化出行方式的推荐，但其没有充分考虑推荐对象的上下文信息，以及推荐对象之间的交互性，而我们的研究很好的弥补了这一缺陷。


技术实现要素：

5.针对上述尚没有解决的关键问题，本发明创新性的提出了将用户、出行方式、与出行方式强相关的时空属性(比如时间等)以及起止位置构建异构信息网络，利用元路径引导的图神经网络对用户与出行方式动态建模，得出具有丰富交互信息的特征嵌入，从hin中充分学习用户在历史出行轨迹中对出行方式的偏好。目的是平衡城市中交通需求的分布，为居民提供个性化出行方式推荐。
6.为实现上述目的，本发明采用如下的技术方案：
7.基于动态交通网络的多模态出行方式融合推荐包括以下步骤：
8.步骤1、提出将异构信息网络应用到交通出行上，将用户、出行方式、起止地点以及出行方式的时空属性信息构建异构信息网络；
9.步骤2、根据步骤1)中构建的异构信息网络，预处理时空轨迹数据，对用户时空出行轨迹数据进行有效性处理，提取用户、出行方式、起止地点以及时间等属性，构建映射关系，得到应用数据；
10.步骤3、从异构信息网络对应的网络模式中抽取关键元路径以丰富对象的特征嵌入；
11.步骤4、通过聚合函数实现元路径特征聚合；
12.步骤5、利用元路径引导的图神经网络对用户与出行方式动态建模，得出具有丰富交互信息的特征嵌入，其中用户具有时序性，采用lstm动态建模，出行方式采用cnn动态建模；
13.步骤6：将用户及出行方式的最终特征嵌入输入mlp中，充分学习用户在时空出行轨迹中对出行方式的偏好，向用户推荐满足个性化需求的出行方式。
14.作为优选，步骤1构建异构信息网络包括如下：
15.步骤1-1：定义一个集合m＝{u，v，t，l}，其中u表示用户的集合；v表示用户在出行轨迹中使用的出行方式，主要包括地铁、公交、驾车、出租车、自从车、步行；t表示用户使用某出行方式时的开始时间；l表示用户在某个时间使用某种出行方式所历经的起止位置；这些都属于异构交通出行网络中的节点类型；
16.步骤1-2：在多模式交通网络中，用户乘坐不同的出行方式到达目的地，它们之间存在一定的联系。本文将用户、出行方式、起止地点以及出行方式的时空属性构建异构信息网络，通过学习用户与用户、用户与出行方式、出行方式及其对应的起止地点等对象之间的语义关系获取更多的潜在特征(注意：此时时间属性与用户紧密连接在一起)，充分表达用户对出行方式的个性化偏好。
17.作为优选，步骤2时空出行轨迹预处理阶段包括如下：
18.步骤2-1：数据清洗：在对数据进行特征计算之间，需要进行数据过滤：清洗冗余数据、删除缺失重要字段及字段值的记录、数据筛除；
19.步骤2-2：特征属性计算：将速度、加速度、加速度变化率、转向角这四个特征作为轨迹属性进行计算。在cnn中，所有实例的输入形状必须相同。为了应对这一挑战，所有数据段都被限制为固定大小的m。因此，较长的数据段被截断为m，而较短的数据段用零值填充。在生成具有相同大小的片段之后，使用两个连续的gps轨迹点(lat，long，t)，计算每个gps点的属性值；
20.步骤2-3：停留点识别划分行程：通过识别用户在轨迹中的停留点划分行程，每个行程包含多个出行方式段。本课题采用dbscan聚类算法进行停留点的识别，并结合poi库提取对应轨迹点语义；
21.步骤2-4：基于转换点的识别分割行程提取出行方式段：采用基于步行段的方法进行单一出行方式段的分割；
22.步骤2-5：基于卷积神经网络识别出行方式：融合每个出行方式段的特征属性，让
卷积神经网络去捕获方式段的特征，最终完成gps轨迹中出行方式的识别；
23.步骤2-6：建立用户、出行方式、起止地点等之间的映射关系，得到应用数据。
24.作为优选，步骤3从异构信息网络对应的网络模式中抽取关键元路径包括如下：
25.步骤3-1：为了能更好的理解异构信息网络，构建网络模式如图3所示，其规定了对象集 的类型约束以及对象之间的联系：用户与出行方式之间存在联系，表明使用与被使用关系； 位置与出行方式之间存在联系，表明引导与被引导关系等；
26.步骤3-2：提取本发明用到的四种元路径：“用户-出行方式-起止位置”、“用户-出行方式-用户-出行方式”、“出行方式-用户-用户-起止位置”、“出行方式-用户-起止位置-用户-出行方式”。
27.作为优选，步骤4通过聚合函数实现元路径特征聚合包括如下：
28.步骤4-1：基于步骤3-2所提出的四种元路径，统计元路径引导的邻居：例如用户u2在元路径φ：u-v-l下的一阶邻居为u2的二阶邻居是一阶邻居中所有节点的一阶邻居，所以其二阶邻居是因此用户u2的所有邻居表示为
29.步骤4-2：选取合适的聚合函数对元路径进行特征聚合，定义两条元路径φ
uul
：u-v-l，φ
uvuv
：u-v-u-v，已知各节点的初始特征向量，阐述了元路径聚合的两个过程如下：
30.元路径内部聚合：选择合适的聚合函数聚合二阶邻居节点的嵌入，得到一阶邻居节点的嵌入，然后聚合一阶邻居节点的嵌入，得到目标节点的嵌入，如下所示：
[0031][0032]
f是聚合u2在指定元路径上一阶邻居、二阶邻居嵌入的聚合函数，为用户u2在元路径上的二阶邻居节点嵌入，为一阶邻居节点嵌入，通过聚合二阶邻居节点嵌入更新得来，然后聚合一阶邻居嵌入得到用户u2在元路径φ
uvl
上的最终嵌入。
[0033]
元路径之间聚合：聚合不同元路径得到的用户u2的嵌入，获取u2的最终嵌入：
[0034][0035]
作为优选，步骤5利用元路径引导的图神经网络对用户与出行方式动态建模包括如下：
[0036]
步骤5-1：对用户进行动态建模，首先使用平均聚合函数聚合二阶邻居以及一阶邻居的嵌入，聚合结果与一阶邻居节点进行拼接，更新一阶邻居的嵌入，用户具有时序性，这里采用 lstm聚合函数：更好的聚合不同元路径下用户的嵌入。其中φi是以用户作为目标节点的不同元路径：
[0037]
步骤5-2：对出行方式进行动态建模，首先采用平均聚合函数逐个进行元路径内部邻居节点特征聚合，然后使用cnn聚合函数完成不同元路径之间的特征聚合，得到所有出行方式节点的最终嵌入。其中φi是以出行方式为目标节点的不同元路径：
[0038][0039]
作为优选，步骤6融合特征嵌入预测包括如下：
[0040]
步骤6-1：根据步骤5-1中得出的用户特征嵌入和5-2中得出的出行方式特征嵌入，进行融合预测，即
[0041]
步骤6-2：对模型进行多次训练，以precision、recall、ndcg作为精度评价指标，观察推荐的准确度。
[0042]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0043]
本发明提出将用户时空出行轨迹构建成异构信息网络，考虑出行过程中不断发生变化的动态交通网络，利用元路径引导的图神经网络对用户与出行方式动态建模，得出具有丰富交互信息的特征嵌入，从而充分学习用户在时空出行轨迹中对出行方式的偏好，向用户推荐满足个性化需求的出行方式，缓解交通拥堵，提高交通韧性。最后通过在真实世界数据集上的实验评估展示该方法的有效性。
附图说明
[0044]
图1为本发明用户时空出行轨迹及交通网络的交互的示意图。
[0045]
图2为本发明基于动态交通网络的多模态出行方式融合推荐的流程图。
[0046]
图3为本发明中提出的异构信息网络、网络模式、元路径的示意图。
[0047]
图4为本发明中融合推荐整体框架图的示意图。
[0048]
图5为本发明中逐步添加元路径时模型的各指标变化及对比的示意图。
[0049]
图6为本发明中不同聚合函数对推荐性能的影响的示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0051]
如图2所示，本发明的技术路线主要包括6步，分别为提出将时空出行轨迹构建异构信息网络、预处理数据、选取关键元路径、元路径的实践、由元路径引导的图神经网络动态建模、融合用户及出行方式的特征嵌入预测结果。
[0052]
本实例使用geolife时空出行数据进行测试，下面从构建异构交通出行网络、异构交通出行网络推荐模型以及预测结果三个方面介绍本实例。
[0053]
1)构建异构交通出行网络
[0054]
在多模式交通网络中，用户乘坐不同的出行方式到达目的地，它们之间存在一定的联系。定义一个集合m＝{u，v，t，l}，其中u表示用户的集合；v表示用户在出行轨迹中使用的出行方式，主要包括地铁、公交、驾车、出租车、自从车、步行；t表示用户使用某出行方式时的开始时间；l表示用户在某个时间使用某种出行方式所历经的起止位置；这些都属于异构交通出行网络中的节点类型。此融合推荐通过分析用户历史出行轨迹以及学习用户对出行方式的个性化偏好，结合动态交通网络随时间变化对出行方式的影响，最终为用户推荐更加节时节能的符合个人偏好的多模态出行方式。
[0055]
具体内容如下所述：
[0056]
步骤1：将用户、出行方式、起止地点以及出行方式的时空属性构建异构信息网络(如图3左图所示)，通过学习用户与用户、用户与出行方式、出行方式及其对应的起止地点等对象之间的语义关系获取更多的潜在特征(注意：此时时间属性与用户紧密连接在一
起)，充分表达用户对出行方式的个性化偏好。；
[0057]
步骤2：为了能更好的理解异构信息网络，构建网络模式如图3中图所示，其规定了对象集的类型约束以及对象之间的联系：用户与出行方式之间存在联系，表明使用与被使用关系；位置与出行方式之间存在联系，表明引导与被引导关系等。；
[0058]
步骤3：元路径是定义在网络模式上的链接两类对象的一条路径，表示对象类型之间的一种复合关系，用于提取对象之间的交互信息。图3右图展示了本文用到的四种元路径，其中用户与时间是紧密相连的。“用户-出行方式-起止位置”这条元路径表示用户在某个时间从某地出发到达某地；从“用户-出行方式-用户-出行方式”这条元路径表示某用户在某时间使用了某个出行方式，同时其相似用户也使用了此出行方式并且也使用过其他出行方式；“出行方式-用户-用户-起止位置”表示用户的相似用户到达类似的起止位置时使用了某种出行方式；“出行方式-用户-起止位置-用户-出行方式”表示用户的相似用户在类似的时间到达类似的位置使用了某种出行方式。
[0059]
步骤4：本发明主要通过聚合元路径引导的邻居整合丰富信息。由图3左图中用户u2为例，详细描述元路径引导的邻居：用户u2在元路径φ：u-v-l下的一阶邻居为u2的二阶邻居是一阶邻居中所有节点的一阶邻居，所以其二阶邻居是因此用户u2的所有邻居表示为
[0060]
2)异构交通出行网络推荐模型
[0061]
此融合推荐的思想是将用户时空出行轨迹构建成异构信息网络，并选择不同的元路径，利用其表达的不同语义信息，构建图神经网络，通过聚合元路径引导的邻居节点信息来丰富用户与出行方式的节点嵌入，即更好的学习用户与出行方式的表示，为用户推荐满足个性化需求的出行方式。图4展示了此融合推荐模型的整体框架。异构信息网络作为输入，嵌入层对模型数据进行内容特征的预处理，生成初始节点嵌入，然后在元路径聚合层，依据已选定的元路径，聚合其引导的邻居节点进行动态建模，即聚合目标节点与其邻居之间的语义信息以获得用户与出行方式的丰富嵌入，最后融合用户与出行方式的特征嵌入进行多模态出行方式的推荐。
[0062]
首先将异构图中的不同类型的节点特征映射到同一向量空间，对每种类型的节点应用特定类型的线性变换，其中xv∈rd是原特征向量，ev∈rd′
是node v的投影潜向量。wa∈rd′×d是 a型节点的参数权矩阵。应用此操作后，所有节点的投影特征都具有相同的维数，便于下一个模型组件的聚合过程：
[0063][0064]
如图4中元路径聚合层表示，首先将用户作为目标节点(这里可以是多跳元路径，也可以是单跳元路径)，然后根据所选取的元路径，逐个进行邻居节点特征聚合。以元路径uvl 为例，已知出行方式与起止位置的初始嵌入，聚合过程如下：
[0065]
·
单条元路径内部节点之间的聚合
[0066]
使用平均聚合函数聚合二阶邻居的嵌入，聚合结果与一阶邻居节点进行拼接，更新一阶邻居的嵌入：
[0067][0068]
同样使用平均聚合函数聚合一阶邻居节点嵌入，更新目标节点的特征嵌入：
[0069][0070]
·
不同元路径之间的聚合
[0071]
本文推荐模型中，向用户推荐满足个性化需求的出行方式，时间起着关键作用，所以在对用户进行动态建模时，用户具有时序性，这里采用lstm聚合函数，更好的聚合不同元路径下用户的嵌入。其中φi是以用户作为目标节点的不同元路径：
[0072][0073]
通过以上方式对所有用户进行动态建模，得到所有用户节点的最终嵌入：
[0074][0075]
对出行方式的动态建模与其类似，根据不同的以出行方式为目标节点的元路径，首先采用平均聚合函数逐个进行元路径内部邻居节点特征聚合，然后使用cnn聚合函数完成不同元路径之间的特征聚合，得到所有出行方式节点的最终嵌入。其中φi是以出行方式为目标节点的不同元路径：
[0076][0077]
最后将用户、出行方式节点嵌入进行连接融合，最后将其输入到mlp中预测得分
[0078][0079]
f是只有一个输出的mlp层，sigmoid是激活层，是嵌入链接操作符。
[0080]
此模型中的损失函数使用的是逐点损失函数，通过损失函数调整模型，得出最优结果，结果，分别是正样本和负样本的实例集合：
[0081][0082]
3)预测结果
[0083]
在本发明中随机将数据集的整个用户出行轨迹数据分成训练集(80％)和测试集(20％)，使用第k位精度(prec@k)、第k位召回(recall@k)和第k位归一化折现累积增益(ndcg@k) 作为评价指标。ndcg值越大，性能越好。为了稳定性，我们使用不同的随机分割训练/测试集多次运行，并取平均结果。
[0084]
本发明考虑了三类不同的具有代表性的推荐方法进行效果比较。首先是基于协同过滤的方法：itemknn、mf、svd；然后是比较先进的基于神经网络的模型：gmf、mlp、neumf；最后是基于hin的模型：metapath2vec；以及发明提出模型的几种变体。
[0085]
如图5展示了添加元路径的过程中模型的各指标性能变化。可以观察出模型的推荐性能通过添加更多的元路径，推荐性能得到了明显提高。同时，不同的元路径对推荐性能的影响也有所不同。特别地，我们可以发现，添加uvuv时，性能有显著提升，这里添加了用户的相似用户，不再只是用户个人数据体现的偏好，比如其附近的邻居或者朋友，有可能与其对出行方式的偏好类似，这也是元路径提取的语义信息的作用所在。结果表明，添加元路径在学习任务相关的嵌入中起着重要的作用，同时也说明了本文提出的利用元路径引导的异构图神经网络方法对多模态出行方式的推荐非常有效。
[0086]
本文从两个角度进行说明。在训练集与测试集相同的条件下，使用不同的聚合函数模型对比precision、recall性能指标(如图6左图所示)。我们将数据分成五等份，其中一
个作为测试集，剩下的数据依此按照20％、40％、60％、80％进行堆叠作为训练集，并结合不同的聚合器进行比较(如图6右图所示)，这里我们可以发现，随着训练集数据的增加，推荐性能的改善程度逐渐降低。结果表明，应用异构信息网络获取更加丰富的语义信息对提高推荐性能是非常有效的，所提出的推荐模型利用元路径在异构信息网络上充分发挥了其优势。
[0087]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员应当理解，在不超出本发明的精神和实质的范围内，可对本发明做出一定的修改和变动，但应涵盖在本发明的保护范围内。