【技术实现步骤摘要】
本专利技术涉及计算机应用，尤其涉及一种基于深度学习的共享单车出行网络社团挖掘方法。
技术介绍
1、城市是一个庞大而复杂的系统，城市的规划和交通与我们的日常生活息息相关。因此，量化居民出行流的时空格局，可以有效反映城市构成要素的动态。城市经济的发展导致交通规模也在不断扩张，人们的出行需求日益增长。频繁发生的交通问题，例如交通拥堵、出行需求分布不均衡等问题日益凸显，一直备受社会各界关注。了解用户的出行需求、出行行为以及出行社区结构的变化可以助力政府和运营商为乘客提供更好的服务。用户对不同出行方式的出行选择行为不同，新兴的共享单车为短距离出行提供了一种新的交通方式，并加强了与公共汽车和地铁等其他交通方式的联系。
2、现阶段，在研究人类出行移动特征方法上已经有了一些突破和创新。但是，仍然存在一些问题。首先，对用户的出行需求、出行行为以及出行社区结构的变化研究不充分。其次，新兴的深度学习图神经网络可以创建更强大的节点属性和社区结构的表示，兼顾了网络拓扑结构与节点特征的学习，对于用户出行网络的社区发现具有强大的学习能力。
技术实现思路
1、本专利技术的实施例提供了一种基于深度学习的共享单车出行网络社团挖掘方法，以实现有效识别共享单车出行网络中存在的社区以及社区结构的变化。
2、为了实现上述目的，本专利技术采取了如下技术方案。
3、一种基于深度学习的共享单车出行网络社团挖掘方法，包括：
4、对指定区域内的路网数据信息、共享单车数据信息和用户的出行数
5、对共享单车出行网络中用户的出行特征进行定量化描述，将用户出行量化指标作为图神经网络模型的网络度量指标，构建图神经网络模型；
6、基于图神经网络模型用clusternet算法进行社团聚类分析，挖掘社区结构。
7、优选地，所述的对指定区域内的路网数据信息、共享单车数据信息和用户的出行数据进行分析统计，构建交通出行网络，包括：
8、对指定区域的共享单车数据和路网数据信息进行分析，基于用户的出行数据构建交通出行网络，其中交通出行网络中的点为用户出行的起讫点，从起点到终点的行程被认为是节点之间的边；
9、基于指定时间段前中后期的共享单车数据构建有向交通出行网络g＝(v,e,w)，其中v＝{v1,…,vn}表示点的集合，e＝{eij|i,j＝1,2,…,n,i≠j}，eij＝1表示节点i和节点j之间存在一条边，eij＝0表示节点i和节点j之间不存在连接边，w＝{wij|i,j＝1,2,…,n,i≠j}，是权重的集合，wij表示边eij的权重，也就是节点i和节点j之间边的出行量。
10、优选地，所述的对共享单车出行网络中用户的出行特征进行定量化描述，将用户出行量化指标作为图神经网络模型的网络度量指标，构建图神经网络模型，包括：
11、利用用户出行量化指标对共享单车出行网络中用户的出行特征进行定量化描述，将用户出行量化指标作为图神经网络模型的网络度量指标，将共享单车出行网络中的用户作为图神经网络中的节点，利用所有的网络度量指标基于共享单车出行数据构建图神经网络模型，所述网络度量指标包括：节点的度、强度、聚类系数、pagerank值、净流量比和莫兰指数；
12、在图神经网络模型中，定义节点i的度di为连接节点的节点数，如公式1所示，如果j是i的邻居节点，eij＝1；否则，eij＝0；
13、
14、定义节点i的强度si来描述节点之间的客流强度，如公式2所示，wij是节点i和节点j之间的起点到终点od客流量；
15、
16、定义网络的聚类系数c为所有节点聚类系数的平均值，如公式3和公式4所示；
17、
18、
19、c为网络的聚类系数，ci是节点i的聚类系数，ei为节点i邻居节点间连边数；
20、采用pagerank值表示节点的影响分，节点的pagerank值的计算公式如公式(5)所示；
21、
22、ci为第i个节点的pagerank值，ci∈[0,1]，p为阻尼系数，表示第j个节点的出度，其中复杂网络中节点的出度指的是从某个节点出发的连接数量，即从该节点指向其他节点的边的数量，aji是任意有向网络的邻接矩阵，节点的pagerank值越高，节点就越重要；
23、采用净流量比nfr分析不同高峰时段不同区域的流入和流出客流量，nfr的计算方法如公式6所示：
24、
25、nfri的范围在-1和1之间，oi和di是区域i中出行的流入量和流出量；
26、利用莫兰指数来表示共享单车的空间分布规律及其演化规律，莫兰指数的计算公式如公式(7)下：
27、
28、其中，n表示空间区域的个数，wij为站点i和站点j之间的权重，yi和yj表示站点i和站点j的属性值，为所有观测值的平均值。
29、优选地，所述的基于图神经网络模型用clusternet算法进行社团聚类分析，挖掘社区结构，包括：
30、基于图神经网络模型用clusternet算法进行社团聚类分析，所述输入数据经过图卷积网络gcn进行图嵌入，再将卷积网络的输出放入kmeans聚类函数中进行迭代聚类，最后运用输出的分配矩阵和模块度计算损失函数，即优化目标，通过误差反向传递并进行参数优化，所述clusternet算法的输出为各共享单车站点的社团划分标签；
31、基于共享单车出行数据构建图神经网络模型，提取每对站点之间的行程连接关系，以每对始发站和终点站的出行量为邻接矩阵，将该邻接矩阵作为图卷积网络边的特征，通过定义邻接矩阵来描述站点之间的空间连接关系，以站点的经纬度、站点出发日客流数、站点到达日客流数，小时站点出发客流，小时站点到达客流统计量作为站点的特征，定义特征矩阵γt，将特征矩阵γt作为clusternet算法的输入数据；
32、图卷积网络模型在傅里叶域中构造一个滤波器，该滤波器作用于图的节点上，基于滤波器的一阶邻域捕获共享单车站点之间的空间特征，并通过叠加多个卷积层来构建深层gcn模型，该建模过程用公式8表示：
33、
34、其中，是邻接矩阵，in是单位矩阵，是共享单车站点网络的度矩阵，其中h(l)是第l层的输出，θ(l)是第l层的训练参数，σ(·)表示非线性模型的激活函数，采用relu激活函数，给定特征矩阵γt和邻接矩阵一个两层的gcn模型由公式9表示，其中θ(1)是从输入层到隐藏层的可训练权重矩阵，θ(2)是从隐藏层到输出层的可训练权重矩阵。
35、
36、将特征矩阵作为聚类模块的输入，通过kmeans算法进行划分社区，假设有n个节点，每个节点都代表一个输入，基于clustergcn模型根据输入将图的节点划分为k个不同的社区，模型训练的目标是找到一个划分的方式r，使k个社区的模块度最大化，定义模块度本文档来自技高网...
【技术保护点】
1.一种基于深度学习的共享单车出行网络社团挖掘方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的对指定区域内的路网数据信息、共享单车数据信息和用户的出行数据进行分析统计，构建交通出行网络，包括：
3.根据权利要求2所述的方法，其特征在于，所述的对共享单车出行网络中用户的出行特征进行定量化描述，将用户出行量化指标作为图神经网络模型的网络度量指标，构建图神经网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述的基于图神经网络模型用ClusterNet算法进行社团聚类分析，挖掘社区结构，包括：
【技术特征摘要】
1.一种基于深度学习的共享单车出行网络社团挖掘方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的对指定区域内的路网数据信息、共享单车数据信息和用户的出行数据进行分析统计，构建交通出行网络，包括：
3.根据权利要求2所述的方法，其特征在...
【专利技术属性】
技术研发人员：昌锡铭，孙会君，杨欣，刘天宇，吴建军，闫学东，尹浩东，屈云超，
申请(专利权)人：北京交通大学，
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。