本发明专利技术属于城市交通技术领域，尤其涉及一种城市路网中的链路预测方法及装置；所述方法包括采集城市路网数据集，计算各个城市地点的属性值；利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路连接的二分类结果，并计算出各个属性对于二分类标签的确定度；以二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；对二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签；本发明专利技术克服了复杂网络结构的高度依赖性，优化链路预测效果，从而提高了其预测准确性。其预测准确性。其预测准确性。
【技术实现步骤摘要】
一种城市路网中的链路预测方法及装置
[0001]本专利技术属于城市交通
，尤其涉及一种城市路网中的链路预测方法及装置。
技术介绍
[0002]随着城市化的发展，城市交通路网结构因交通模式、自然条件、人口区域分布、演化阶段及发展水平的不同会产生明显差异，经济技术的发展时刻改变着路网结构，城市道路交通路网(以下简称“路网”)演化会变得越来越复杂。路网的复杂演化加大了城市道路规划的决策难度，如果道路规划不合理，就会导致路网资源无法合理分配，甚至有可能阻碍城市化发展。
[0003]20世纪以来，随着“小世界网络”与“无标度网络”研究的兴起，城市路网可以作为一种网络建模工具，进而对路网进行建模，城市路网的链路预测则为研究路网的演化方向提供了可行的解决方案。目前，链路预测在朋友圈好友推荐以及探究蛋白质相互作用实验领域取得了成功。以路网为例，对未知链路的预测或者对未来链路的预测本质上是对路网的演化方向的预测，也是对路网拓扑结构的数据挖掘过程。
[0004]目前，大致可以分为两种链路预测的方法：第一种是基于传统方法的链路预测技术，主要利用节点间的相似性进行预测，使用节点之间的联系来衡量它们的相似性，以此进行连边的学习和预测；第二种方法是基于深度学习的链路预测，主要通过图神经网络对城市路网进行道路预测，通过对节点的嵌入执行卷积运算来描述节点的嵌入，例如中国专利CN108108854A中提出了一种城市路网链路预测方法、系统及存储介质，该专利通过构建出路网的邻接矩阵，根据所述邻接矩阵得到Katz相似度矩阵，将所述Katz相似度矩阵进行归一化后使用多层非线性自动编码器对其进行网络表征学习，得到网络表征向量，根据所述网络表征向量解码重建邻接矩阵，并根据所述重建邻接矩阵进行路网的链路预测；但是上述专利所采用的深度学习模型存在不可控的问题，因此需要综合考虑模型效果和模型可控性的问题，以达到有效的链路预测。
技术实现思路
[0005]基于现有技术存在的问题，本专利技术考虑到在泛函网络基础上，通过序惯三支决策区分出边界内的链路预测分类数据，则不仅能提高二层泛函网络模型预测出的链路效果的同时，让其具有真实性和可控性，并且能够获得更好的预测效果。
[0006]为了提高城市路网中的链路预测准确率且使预测模型具有真实性和可控性，本专利技术提供如下技术方案以解决上述技术问题：
[0007]在本专利技术的第一方面，本专利技术提供了一种城市路网中的链路预测方法，所述链路预测方法包括以下步骤：
[0008]采集城市路网数据集，并计算出城市路网中各个城市地点的属性值；
[0009]利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路
连接的二分类结果，并计算出各个属性对于二分类标签的确定度；
[0010]以所述二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；
[0011]将二分类标签的确定度输入到所述二层泛函网络模型中，并对所述二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；
[0012]将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签。
[0013]在本专利技术的第二方面，本专利技术还提供了一种城市路网中的链路预测装置，所述链路预测装置包括：
[0014]数据采集模块，用于采集城市路网数据；
[0015]属性计算模块，用于计算出城市路网中各个城市地点的属性值；
[0016]云模型分类模块，用于将各个属性值划分为类簇，并得到该属性对城市节点之间是否建立链路连接的二分类结果；
[0017]确定度计算模块，用于计算出属性的确定度；
[0018]二层泛函网络模型模块，用于二分类结果构建出预测模型，以属性的确定度进行训练，并预测出城市路网中两个城市地点之间是否产生道路的二分类标签。
[0019]本专利技术的有益效果：
[0020]本专利技术基于Apriori算法构造泛函网络结构，使其具有预测的结果真实有效，更能适应路网链路的预测，本专利技术不仅能提高准确性，而且克服了复杂网络结构的高度依赖性；本专利技术在二层泛函网络模型结构中的神经元的连接方式上进行了改进，将云模型中的类簇对应值作为输入层神经元的输入，将频繁二项集结果作为中间层神经元的输入，将其他不属于频繁二项集的神经元将作为输出层神经元的输入，本专利技术通过云模型获取城市各个地点的属性值，充分地在输入层神经元中学习到城市地点的属性；能够更为准确地描述其在城市路网中的特征分布以及对道路链路预测结果的影响程度。本专利技术还可以充分运用序惯三支决策的核心思想，通过α＝-β设定出边界阈值，得到边界内数据，帮助优化二层泛函网络模型对于城市路网中的城市节点之间的链路预测效果。
附图说明
[0021]图1为本专利技术实施例中的一种城市路网的链路预测方法流程图；
[0022]图2为本专利技术采用的二层泛函网络模型结构；
[0023]图3为本专利技术优选实施例中的一种城市路网的链路预测方法流程图；
[0024]图4为本专利技术采用的基于序惯三支决策的泛函网络模型；
[0025]图5为本专利技术实施例中的一种城市路网的链路预测装置结构图；
[0026]图6为本专利技术优选实施例的一种城市路网的链路预测装置结构图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0028]本专利技术主要用于城市路网中对城市地点是否构建链路连接进行预测，主要包括通过已有的城市路网、城市节点以及结构信息，预测城市路网中两个城市节点之间产生连边的可能性，包括预测未来可能产生的连边或者已经产生但是尚未发现的连边；本专利技术利用云模型对属性进行归一化，用以在二层泛函网络模型前的预测过程中定义各个属性的重要性；利用Apriori算法构建二层泛函网络模型中神经元之间的连接方式；根据序惯三支决策理论筛选出边界内的数据，从而优化二层泛函网络模型预测效果；当模型训练结束，通过将二层泛函网络模型和三层泛函网络模型进行拼接作为最终预测结果。
[0029]图1是本专利技术实施例中的一种城市路网的链路预测方法流程图，如图1所述，所述链路预测方法包括以下步骤：
[0030]S101、采集城市路网数据集，并计算出城市路网中各个城市地点的属性值；
[0031]采集城市路网数据集，包括各个城市节点以及城市节点之间的结构关系，假设城市路网以一个无向连通图G＝(V,E)进行表示，V表示城市路网G中的所有城市节点的集合，E为城市节点之间的边集合。
[0032]在本实施例中，利用城市路网中各个属性的计算公式计算出各个地点对应的属性值。如：地点的出度，入度，共同邻居，聚类系数等，具本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种城市路网中的链路预测方法，其特征在于，所述链路预测方法包括以下步骤：采集城市路网数据集，并计算出城市路网中各个城市地点的属性值；利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路连接的二分类结果，并计算出各个属性对于二分类标签的确定度；以所述二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；将二分类标签的确定度输入到所述二层泛函网络模型中，并对所述二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签。2.根据权利要求1所述的一种城市路网中的链路预测方法，其特征在于，得到所述属性的二分类结果包括利用正向高斯云模型算法得到每个类簇的期望Ex，熵En和超熵He从而获得各个城市地点的属性的分布特征，获得第一类簇和第二类簇，所述第一类簇表示对城市节点之间建立链路有积极作用的分类，所述第二类簇表示对城市节点之间不建立链路有积极作用的分类。3.根据权利要求1所述的一种城市路网中的链路预测方法，其特征在于，所述计算出各个属性对于二分类标签的确定度包括使用云模型对所述城市地点各个属性值进行归一化操作，即通过比较数据对于城市每个地点属性的聚集簇的隶属度确定其对两城市地点之间是否产生道路的影响度A。4.根据权利要求1所述的一种城市路网中的链路预测方法，其特征在于，所述二层泛函网络模型结构的构建方式包括计算出归一化后的相关联的两个属性的频繁二项集，将云模型中的类簇中的对应值作为输入层神经元的输入，根据计算出的频繁二项集结果作为中间层神经元的输入，将其他不属于频繁二项集的神经元将作为输出层神经元的输入。5.根据权利要求3或4所述的一种城市路网中的链路预测方法，其特征在于，所述泛函网络模型结构中输入层神经元的输入为云模型中的第二类簇中的对应值。6.根据权利要求1所述的一种城市路网中的链路预测方法，其特征在于，所采用的目标损失函数表示为：其中，Q
λ
表示训练...
【专利技术属性】
技术研发人员：刘群，陈颖，张刚强，王如琪，邹贵银，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。