[发明专利]城市路网链路预测方法、系统及存储介质

说明书

本发明涉及城市交通技术领域，公开了一种城市路网链路预测方法、系统及存储介质，以提高路网的链路预测精确度并提高数据的处理效率。本发明方法包括：构建路网的邻接矩阵；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链路预测。

技术领域

本发明涉及城市交通技术领域，尤其涉及一种城市路网链路预测方法、系统及存储介质。

背景技术

复杂网络的链路预测是指对网络中未知链路或者未来链路的预测。以城市交通道路网络(以下简称“路网”)为背景，对路网进行链路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。路网的链路预测对于城市路网复杂演化的科学管理与规划、提高路网的资源利用率以及增强交通网络的平衡性和可靠性具有重要的现实意义。

目前复杂网络的链路预测模型主要有两类：

(1)基于相似度信息的链路预测模型。这类算法模型利用节点间的相似度指标系数进行预测相似度系数越高，节点间发生连接的可能性越大。基于相似度算法中又包括局部相似度指标算法如CN、Jaccard、PA、AA、RA等、基于路径相似度指标算法LP、Katz、LHN、LLM等以及基于随机游走相似度指标算法如ACT、Cos、RWR、SWR等。

(2)基于网络表征学习的链路预测模型。这类模型使用网络表征技术将图的节点或者边投影到低维向量空间中，进而可以挖掘网络潜在的特征来实现复杂网络的链路预测。这类模型不但可以用于复杂网络的链路预测，还可以用于网络中节点分类聚类等任务。目前这类模型主要有基于Word2vec思想的DeepWalk、Node2vec、Subgraph2vec、Struc2Vec等、基于矩阵分解的LAP、LLE等以及基于深度学习思想的SDNE。

当前路网的链路预测任务面临着三个难题：(1)路网的高度非线性。路网节点之间的链接关系非常复杂，捕获路网的非线性特征非常困难。(2)路网的局部性与全局性特征。链路预测模型在进行训练时学习到局部特征与全局特征很难得到兼顾。(3)路网的高度稀疏性。路网具有高度稀疏性，国内外一部分城市的路网数据集的平均度在2.0左右。相对于科学家论文合作网络(平均度21.10)、Facebook朋友网络(平均度25.64)、互联网网络(平均度9.86)等网络来说，路网则显得更稀疏。

在对路网的链路预测任务中，基于相似度信息的链路预测模型由于其单层线性局限性以及模型的不可扩展性因此表现得不乐观。近年来，深度学习在语音识别、计算机视觉等多类应用中取得了突破性的进展，深度学习所学得的模型中，非线性操作的层级数更多。基于深度学习的链路预测，可以使模型学习到复杂网络中更深层次的网络拓扑特征，为路网的高度非线性难题提供了解决方案。基于深度学习的链路预测模型由于采用了单层或者多层的非线性函数，因而预测效果较好。它们的预测效果通常取决于模型的学习能力，即能否学习到网络的局部、全局特征以及网络的潜在特征。

发明内容

本发明目的在于公开一种城市路网链路预测方法、系统及存储介质，以提高路网的链路预测精确度并提高数据的处理效率。

为实现上述目的，本发明公开一种城市路网链路预测方法，包括：

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；