[发明专利]城市路网链路预测方法、系统及存储介质

权利要求书

1.一种城市路网链路预测方法，其特征在于，包括：

获取路网的原始地图数据；

通过对偶拓扑建模方法将所述原始地图数据转换得到构建邻接矩阵A所需的相关信息；

构建路网的邻接矩阵A；A＝(a_ij)_n×n，E为路网边的集合，v_i、v_j分别为路网节点集合V中的i节点和j节点，n为节点数量；

根据所述邻接矩阵得到Katz相似度矩阵S^Katz；其中，S^Katz＝(I-αA)^-1–I，Katz相似度矩阵的I为单位矩阵，α是控制路径权重的调节参数；

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Z，并根据所述重建邻接矩阵Z进行链路预测，包括：

构建邻接限制矩阵L，若h为路网的横向节点数，s为路网的纵向节点数，所构建的邻接限制矩阵为：

其中，h×h与s×s矩阵部分为全零矩阵，h×s与s×h为全1矩阵；

计算预测邻接矩阵R＝ZL，以避免横向道路与横向道路连接、或者纵向道路与纵向道路连接；其中，为与运算；

根据所述预测邻接矩阵进行链路预测；

所述链路预测为给定时间δ时图G中各节点对状态，推断当前状态中或将在未来一段时间δ+t中形成的缺失链接的子集；

其中，所述多层非线性自动编码器是通过基于神经网络的无监督机器学习技术进行训练得到模型，整个模型的训练过程中，采用反向传播算法与梯度下降算法对权重矩阵与偏差进行调整；所述多层非线性自动编码器在模型的训练过程中，采用的损失函数为：

上式中，为节点i输入的n维向量，为通过解码神经元解码后得到重构向量，为在k维空间的向量表示，且kn，X_ij为Katz相似度矩阵进行归一化后的矩阵元素，为节点j在k维空间的向量表示，W^(e)为编码权重矩阵，W^(d)为解码权重矩阵，β为局部线性系数，F为范数，损失函数中的I为单位向量。

2.根据权利要求1所述的城市路网链路预测方法，其特征在于，还包括：

将所述预测邻接矩阵投影到低维向量空间以挖掘网络潜在的特征来实现链路预测。

3.根据权利要求1或2所述的城市路网链路预测方法，其特征在于，还包括：

在采用矩形选择框在地图上进行区域选取时，删除边缘度为1的节点，并使用并查集算法求网络的最大联通子图，并将该最大联通子图作为构建邻接矩阵A所需的相关信息的数据集。

4.一种城市路网链路预测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至3任一所述方法的步骤。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至3任一所述方法的步骤。