CN112418696B - 城市交通动态知识图谱的构建方法及装置 - Google Patents
城市交通动态知识图谱的构建方法及装置 Download PDFInfo
- Publication number
- CN112418696B CN112418696B CN202011364436.0A CN202011364436A CN112418696B CN 112418696 B CN112418696 B CN 112418696B CN 202011364436 A CN202011364436 A CN 202011364436A CN 112418696 B CN112418696 B CN 112418696B
- Authority
- CN
- China
- Prior art keywords
- node
- place node
- traffic
- urban
- place
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种城市交通动态知识图谱的构建方法及装置，方法包括：根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；根据预设采样周期获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱；其中，地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征、地点节点路链交通属性特征以及地点节点交通属性特征。所述装置用于执行上述方法。本发明提供的城市交通动态知识图谱的构建方法及装置，通过构建城市交通动态知识图谱，能够提高知识图谱的动态特征，更准确的对交通变化进行预测，提高城市交通服务。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及城市交通动态知识图谱的构建方法及装置。
背景技术
随着日益增强的交通需求和交通运输环境，人类出行需求不仅仅再是简单的单一需求，为了满足人类多样化出行需求，不断提高交通信息服务智能化成为了大家关注的焦点。因此，更加多样的服务组合更加符合人类出行多样化的需求，通过构建更加多样的复合服务，能够提供高质量的交通信息服务。
由于当前交通信息数量爆炸式增长且具有很强的时效性，现有技术中，利用人工服务已经无法有效处理庞大的数据，面临着交通信息资源分布零散、异构程度高的难题，另外，简单将交通信息进行罗列，并不能有效的表征交通之间的关联性，因此也就无法对城市交通变化做出准确的预测。
目前尚难有一种有效方法，能够通过构建城市交通知识图谱，有效的表征交通之间的关联性，进而准确的对交通变化进行预测，提高城市交通服务。
发明内容
本发明提供的城市交通动态知识图谱的构建方法及装置，用于克服现有技术中存在无法对城市交通变化做出准确预测的缺陷，能够通过构建城市交通知识图谱，有效的表征交通之间的关联性，进而准确的对交通变化进行预测，提高城市交通服务。
本发明提供一种城市交通动态知识图谱的构建方法，包括：
根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱；
其中，所述地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征、地点节点路链交通属性特征以及地点节点交通属性特征。
根据本发明提供的一种城市交通动态知识图谱的构建方法，所述根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型，包括：
根据所述城市交通站点、所述城市交通站点的路链信息以及所述城市交通站点的地理位置，确定所述地点节点；
将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征；
将社会事件信息与所述地点节点进行关系连接，确定所述地点节点社会事件属性特征；
将所述路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
根据所述地点节点、所述地点节点兴趣点属性特征、所述地点节点社会事件属性特征、所述地点节点路链交通属性特征以及所述地点节点交通属性特征，确定所述地点节点关系模型。
根据本发明提供的一种城市交通动态知识图谱的构建方法，所述将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征，包括：
获取描述城市兴趣点的相关数据；
对所述相关数据进行分词处理，并根据所述分词处理的结果进行主题建模，确定所述相关数据的主题分类；
将所述主题分类作为城市兴趣点属性特征；
将所述城市兴趣点信息与所述地点节点进行关系连接，以确定所述地点节点兴趣点属性特征；
其中，所述相关数据至少包括：互联网平台中的所述城市兴趣点的评分数据以及评价数据；
所述城市兴趣点信息包括所述城市兴趣点的名称、类别、经度、纬度以及所述城市兴趣点属性特征。
根据本发明提供的一种城市交通动态知识图谱的构建方法，所述将所述路链信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征，包括：
对所述路链信息进行预处理；
将预处理后的路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
其中，所述路链信息包括：路链静态信息和路链动态信息；
所述路链静态信息包括路段固定摄像头数据；
路链动态信息包括城市交通出行工具的数据、路况数据以及路测停车位数据。
根据本发明提供的一种城市交通动态知识图谱的构建方法，所述将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征，包括：
获取所述地点节点预设范围的城市兴趣点，并确定所述地点节点与所述城市兴趣点之间的映射关系；
对城市OD数据进行建模，确定城市兴趣点出行强度；
根据所述映射关系以及所述城市兴趣点出行强度，确定所述地点节点的出行流量属性；
根据城市交通出行数据获取所述地点节点的交通出行联系属性；
根据所述出行流量属性以及所述交通出行联系属性，确定所述城市交通出行信息；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
其中，所述城市OD数据为基于如下一种或多种数据，并对出行行为进行分析所获取的：
城市交通调查数据、自动售检票系统刷卡数据、手机信令数据以及共享单车开关锁数据。
根据本发明提供的一种城市交通动态知识图谱的构建方法，所述根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱，包括：
根据预设知识图谱粒度，确定所述预设知识图谱粒度的区域的大小；
对所述区域内的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型进行区域整合以及功能合并，获取区域节点、区域属性以及区域节点关系模型；
根据所述区域节点、所述区域属性以及所述区域节点关系模型，构建区域知识图谱；
根据区域知识图谱，构建所述城市交通动态知识图谱。
根据本发明提供的一种城市交通动态知识图谱的构建方法，在所述根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱之后，包括：
将所述城市交通动态知识图谱输入至预设网络模型进行训练，对所述城市交通动态知识图谱进行拟合，并在满足预设条件时停止训练，以优化所述预设网络模型；
根据优化后的网络模型，确定所述城市交通变化预测模型。
本发明还提供一种城市交通动态知识图谱的构建装置，包括：
关系模型确定模块以及知识图谱构建模块；
所述关系模型确定模块，用于根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
所述知识图谱构建模块，用于根据预设时间间隔内获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱；
其中，所述地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种城市交通动态知识图谱的构建方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种城市交通动态知识图谱的构建方法的步骤。
本发明提供的城市交通动态知识图谱的构建方法，通过根据城市交通站点的地点节点以及地点节点属性特征，获得地点节点关系模型，并利用预设采样周期获得的地点节点、地点节点属性特征以及地点节点关系模型，充分利用了庞大的城市交通信息数据，对城市交通知识图谱进行更新，构建城市交通动态知识图谱，提高了知识图谱的动态特征，同时提高了城市交通之间的关联性，从而实现对城市交通变化进行准确预测，提高城市交通服务。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的城市交通动态知识图谱的构建方法的流程示意图；
图2是本发明提供的城市交通动态知识图谱的信息构建示意图；
图3是本发明提供的城市交通动态知识图谱的构建装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明提供的城市交通动态知识图谱的构建方法的流程示意图，如图1所示，方法包括：
S1、根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
S2、根据预设采样周期获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱；
其中，地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征、地点节点路链交通属性特征以及地点节点交通属性特征。
需要说明的是，上述方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。
知识图谱作为一种海量知识表征形式，能够表达各类实体及其之间的各种语义关系，将知识可视化。
具体地，根据城市交通站点的地点节点、地点节点兴趣点属性特征、地点节点社会事件属性特征、地点节点路链交通属性特征以及地点节点交通属性特征，确定地点节点关系模型。
将城市交通站点的地点节点以及城市兴趣点作为构建城市交通动态知识图谱的实体，并根据地点节点以及地点节点属性特征获得层次化地点节点之间的关系类型和关系度，基于关系类型和关系度获得地点节点关系模型。
根据上述获得的地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征对地点节点进行描述，构建城市交通知识图谱；
设定预设采样周期，将根据预设采样周期获取的地点节点、地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征，对城市交通知识图谱进行更新，获得城市动态知识图谱。
本发明中预设采样周期可以设置为固定采样周期如一天，也可以根据实际场景设置为变化采样周期。
本发明中城市交通站点可以具体为城市公交站、火车站、机场、汽车等城市公共交通站点。
本发明提供的城市交通动态知识图谱的构建方法，通过根据城市交通站点的地点节点以及地点节点属性特征，获得地点节点关系模型，并利用预设采样周期获得的地点节点、地点节点属性特征以及地点节点关系模型，充分利用了庞大的城市交通信息数据，对城市交通知识图谱进行更新，构建城市交通动态知识图谱，提高了知识图谱的动态特征，同时提高了城市交通之间的关联性，从而实现对城市交通变化进行准确预测，提高城市交通服务。
进一步地，在一个实施例中，步骤S1可以具体包括：
S11、根据城市交通站点、城市交通站点的路链信息以及城市交通站点的地理位置，确定地点节点；
具体地，获取城市公交车站、火车站、机场、汽车站等公共交通站点以及路链信息，根据城市公交站点的地理位置将城市公交站点划分到相应的地点节点。
更具体地，可以选用商用地图(如百度地图)作为数据源，使用商用地图提供的应用程序服务接口获取城市公交车站、火车站、机场、汽车站等城市公共交通站点以及路链信息，并将获得的城市公共交通站点以及路链信息存入数据库。其中，公共交通站点及路链信息可以具体包括名称、经度、纬度等文字信息或图像信息。
例如获得北京地铁站点“香山-地铁站”的信息，爬虫得到的URL：https://ss1.bdstatic.com/8bo_dTSlR1gBo1vgoIiO_jowehsv/tile/？qt＝vtile Quest&styles＝pl&x＝101068&y＝37797&z＝19&scaler＝1&v＝104&udt＝20201117&fn＝MPC_Mgr.getPoiData，通过查看网址信息，提取香山-地铁站相关信息作为公共交通站点相关信息。
S12、将城市兴趣点信息(如，商场、酒店等功能点)与地点节点进行关系连接，确定地点节点兴趣点属性特征；
具体地，获取城市兴趣点信息，对兴趣点信息进行结构化处理，将兴趣点信息与地点节点进行关系连接，获得地点节点兴趣点属性特征。
例如，可以通过网络数据或者人工走访等方式获取兴趣点，并提取兴趣点名称、类别、经度、纬度等文字或图像信息，保存到数据库中。
更具体地，可以选用商用地图(如百度地图)作为数据源，使用商用地图(如百度地图)提供的服务接口获取城市兴趣点信息，兴趣点信息包括名称、类别、经度、纬度等，存入数据库中。
需要说明的是，兴趣点信息并不局限于上述种类，任何关于兴趣点信息描述均可作为兴趣点信息，本发明对此不作具体限定。
让得到的兴趣点与地点节点以距离远近作为关系连接，利用爬虫所获的兴趣点的信息对地点节点进行描述，从而获得地点节点兴趣点属性特征，以形成如图2所示的结构。
需要说明的是，获取兴趣点信息数据可以通过人工采集或网络数据采集等方式获取。具体地，人工采集方式可以是人工利用手机软件采集，也可以是人工实地采集；网络采集可以是通过网络软件信息采集，也可以是通过网页数据采集。本发明对此不作具体限定。
本发明中网络数据可以是用户输入的数据，也可以是计算机系统响应于用户输入信息而自行产生的数据，数据可以是网页自行产生的数据，也可以是用户直接输入的数据。本发明对此不作具体限定。
需要说明的是，本发明中对于同一个地点节点，地点节点可具有一个或多个地点节点兴趣点属性特征，地点节点兴趣点属性特征可以是具体内容，也可以是“缺省”或“空”。
具体地，对于地点节点兴趣点属性特征可进一步进行级别划分，例如可以将其分为一级地点节点兴趣点属性特征和二级地点节点兴趣点属性特征。以北京朝阳区合生汇商场为例，其中可以包括地点节点兴趣点属性特征“合生汇”以及地点节点兴趣点属性特征“李宁”，其中“李宁”是“合生汇”的一个商场售卖商店，基于该对应关系，则“合生汇”为一级地点节点兴趣点属性特征，“李宁”为二级地点节点兴趣点属性特征。
S13、将社会事件信息与地点节点进行关系连接，确定地点节点社会事件属性特征；
具体的，获取社会事件信息，对获取的社会事件信息进行结构化处理，将社会事件信息与地点节点进行关系连接，获得地点节点社会事件属性特征。
更具体地，地点节点的社会事件信息可以通过实地人工采集或相关网络信息方式获取，(如爬取微博中的话题标签#北京实时路况#)通过自然语言处理技术(如分词、匹配等技术)，获得地点信息、时间信息及事件信息。例如，将一条微博信息：“条条大路通罗马，出门请注意安全，朝阳北路东向西方向(塔连坡地铁站旁边)4车连撞#汽车##北京实时路况#”转化为“朝阳北路、微博发布时间、4车连撞”。将社会事件信息与地点节点进行关系连接，分析社会事件发生情况对地点节点造成的影响，通过该社会事件的影响对地点节点进行描述，获得地点节点社会事件属性特征。
S14、将路链信息与地点节点进行关系连接，确定地点路链交通属性特征；
具体地，路链信息的社会事件信息可以通过实地人工采集或相关网络信息方式获取，更具体的可以采用如上述获取地点节点的社会事件信息相同的方式，本发明对此不再赘述。通过对路链信息的社会事件的影响对地点节点进行描述，将路链信息与地点节点进行关系连接，确定地点节点路链交通属性特征。
S15、将城市交通出行信息与地点节点进行关系连接，确定地点节点交通属性特征；
具体地，获得城市交通出行信息，并对所获城市交通出行信息进行建模，将城市交通出行信息与地点节点进行关系连接，得到地点节点交通属性特征。
S16、根据地点节点、地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征，确定地点节点关系模型。
具体的，利用所获地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征对地点节点的信息以及地点节点间的对应关系进行描述，确定地点节点关系模型。
本发明提供的城市交通动态知识图谱的构建方法，利用城市交通站点、城市交通站点的路链信息以及城市交通站点的地理位置，确定构建城市交通动态知识图谱的节点：地点节点；结合对应地点节点的、城市兴趣点信息、社会事件信息以及城市交通出行信息，确定地点节点属性特征，根据地点节点以及地点节点属性特征获得地点节点关系模型，充分利用了庞大的城市交通信息数据，能够使得后续基于地点节点、地点节点属性特征以及地点节点关系模型构建的城市交通动态知识图谱能够有效的表征城市交通之间的关联，从而实现对城市交通变化进行准确预测，提高城市交通服务。
进一步地，在一个实施例中，步骤S12中可以具体包括：
S121、获取描述城市兴趣点的相关数据；
S122、对相关数据进行分词处理，并根据分词处理的结果进行主题建模，确定相关数据的主题分类；
S123、将主题分类作为城市兴趣点属性特征；
S124、将城市兴趣点信息与地点节点进行关系连接，以确定地点节点兴趣点属性特征；
其中，相关数据至少包括：互联网平台中的城市兴趣点的评分数据以及评价数据；城市兴趣点信息包括城市兴趣点的名称、类别、经度、纬度以及城市兴趣点属性特征。
具体地，可以通过采用人工实地采集信息或通过相关网站网络信息比如旅游网站、社交分享网站、点评网站等互联网平台等方式获得描述兴趣点的所有相关数据；然后利用分词工具对相关数据进行分词处理，并对分词结果进行主题建模，得到相关数据的主题分类，作为兴趣点属性特征。
例如：通过在百度地图网络爬虫，分析网络结构后，得到如表1所示数据：
表1
获取豆瓣网站的点评结果，得到如表2所示数据：
表2
根据城市兴趣点的名称、类别、经度、纬度以及城市兴趣点属性特征获得城市兴趣点信息，并将城市兴趣点信息与地点节点进行关系连接，获得地点节点兴趣点属性特征。
本发明提供的城市交通动态知识图谱的构建方法，由于确定地点节点关系模型的过程中充分利用了庞大的城市交通信息数据如地点节点兴趣点属性特征、地点节点社会事件属性特征和地点节点交通属性特征，多维度的对城市交通进行了更全面的描述，使得后续根据地点节点、地点节点属性特征以及地点节点关系模型构建城市交通动态知识图谱，城市交通之间具有较高关联性，能够实现对城市交通变化进行准确预测，从而提高城市交通服务。
进一步地，在一个实施例中，步骤S14可以具体包括：
S141、对路链信息进行预处理；
S142、将预处理后的路链信息与地点节点进行关系连接，确定地点节点路链交通属性特征；
其中，路链信息包括：路链静态信息和路链动态信息；
路链静态信息包括路段固定摄像头数据；
路链动态信息包括城市交通出行工具的数据、路况数据以及路测停车位数据。
路链静态信息可包括路段固定摄像头数据，可以通过摄像头数据，通过数字图像处理，如基于视觉的物体检测技术，可得该路链当前的车流情况等。
路链动态数据可以具体包括：
出租车数据，通过出租车GPS数据及计价器数据，得到该路链上，出租车辆数、出租车载客率以及巡游率等；
公交车数据，通过公交实时数据得到当前路链上在跑的周边公交车辆数、公交车满载率和在线客流数等；
路况数据，通过实时地图接口，得到该路段当前的拥堵长度、路段通过速度、通过时长等；
路测停车位数据，通过连接停车场数据，得到该路段当前已占用停车位数量、未占用停车位数量等；
通过对得到的路链信息进行预处理，并将预处理后的路链信息与地点节点进行关系连接，获得地点节点路链交通属性特征，其中，预处理可以具体包括：对获取的路链信息进行过滤、筛选出准确的路链信息，并对路链信息进行数据结构化处理。
进一步地，在一个实施例中，步骤S15可以具体包括：
S151、获取地点节点预设范围的城市兴趣点，并确定地点节点与城市兴趣点之间的映射关系；
S152、对城市OD数据进行建模，确定城市兴趣点出行强度；
S153、根据映射关系以及所述城市兴趣点出行强度，确定地点节点的出行流量属性；
S154、根据城市交通出行数据获取地点节点的交通出行联系属性；
S155、根据出行流量属性以及交通出行联系属性，确定城市交通出行信息；
S156、将城市交通出行信息与地点节点进行关系连接，确定地点节点交通属性特征；
其中，城市OD数据为基于如下一种或多种数据，并对出行行为进行分析所获取的：城市交通调查数据、自动售检票系统刷卡数据、手机信令数据以及共享单车开关锁数据。
具体地，设定距离阈值，预设范围可以根据设定距离阈值确定，本发明中获取以地点节点为圆心以设定的距离阈值为半径的圆内的全部城市兴趣点，得到地点节点与城市兴趣点之间的距离映射关系。
对城市出行OD数据中起点和终点进行建模，根据已有的观测点得到没有观测点的区域的出行强度，得到城市兴趣点的出行强度，通过地点节点与城市兴趣点之间的映射关系，例如利用Pagerank等随机游走方法，计算出由城市兴趣点到达地点节点的概率，得到地点节点的出行流量属性。
可以通过公共交通站点生成的人类出行数据(如刷卡数据、手机数据等)获得公共交通站点人流出行属性，通过人群的交通关系、交通量来描述地点节点之间的关系，得到相应地点节点的交通出行联系属性；还可以通过对所获城市公交出行数据进行基于时间的聚类分析，例如通过K均值聚类方法得到所有公共交通站点在不同日期下所有时段上车客流结果，通过各个站点之间的交通关系以及客流量描述地点节点之间的关系，确定交通出行联系属性。将交通出行联系属性和出行流量属性作为地点节点交通信息。
将城市交通出行信息与地点节点进行关系连接，确定地点节点交通属性特征。
本发明中通过对以下数据中的一种或多种城市交通调查数据、自动售检票系统刷卡数据、手机信令数据、共享单车开关锁数据中的交通出行行为进行分析，通过分析不同站点周围公共交通工具的走向和人群密集地区的分布变化，获得城市出行OD数据。
具体地，可以对城市OD数据中得到的空间点进行建模，根据已有的观测点得到没有观测点的区域的出行强度，通过基于对数高斯过程的Cox过程(Log-Gaussian CoxProcess，LGCP)得到区域内空间点的分布，通过在有界的平面区域上，均匀的分割出V个区域，计算得到每个区域中出行流量。对每个区域中的出行流量进行统计，得到区域内城市兴趣点出行强度，通过地点节点与POI点之间的映射关系，计算出由城市兴趣点到达地点节点的概率，得到地点节点的出行流量属性。
地点节点的出行流量属性以及交通出行联系属性之间的关系可以基于关系抽取确定，例如通过网络上结构化表格数据获取，或者可基于实体识别，根据预定义的关系类别，对于地点节点的出行流量属性以及交通出行联系属性之间的关系进行分类。
进一步地，将所提取的多个地点节点的出行流量属性以及交通出行联系属性中满足对应关系的地点节点的出行流量属性以及交通出行联系属性相关联以形成图谱元素。其中，相关联的步骤可以采用线段连接以实现，或者可以将其置于相应的表单中以实现。
本发明提供的城市交通动态知识图谱的构建方法，通过精细化城市交通出行数据以及城市OD数据获得城市交通出行信息，对城市交通进行了更全面的描述，使得后续根据地点节点交通属性特征建立的城市交通动态知识图谱中城市交通之间具有更强的关联性，提高了对城市交通预测的精度。
进一步地，在一个实施例中，步骤S2可以具体包括：
S21、根据预设知识图谱粒度，确定预设知识图谱粒度的区域的大小；
S22、对区域内的所述地点节点、地点节点属性特征以及地点节点关系模型进行区域整合以及功能合并，获取区域节点、区域属性以及区域节点关系模型；
S23、根据区域节点、区域属性以及区域节点关系模型，构建区域知识图谱；
S24、根据区域知识图谱，构建城市交通动态知识图谱。
具体地，预设知识图谱粒度，计算得到对应预设知识图谱粒度下区域大小，对区域内的地点节点、地点节点属性特征以及地点节点关系模型进行区域整合以及功能合并，获得区域节点、区域属性以及区域节点关系模型，基于区域节点、区域属性以及区域节点关系模型构建得到预设知识图谱粒度下的区域图谱；通过预设不同的知识图谱粒度，获得不同粒度大小的区域知识图谱，将获取的不同粒度大小的区域知识图谱进行聚合，构建城市交通动态知识图谱。
更具体地，可以将预设知识图谱粒度范围设置为1-3等级，粒度大小对应构建的区域知识图谱的节点面积，粒度越高表示构建的区域知识图谱的节点面积越大。本发明中设定1等级为公共交通站点和路链粒度查看，2等级为交通小区粒度查看，3等级为行政区粒度查看。
需要说明的是，粒度大小设定以及粒度对应含义仅仅为示意性的，上述粒度大小及粒度含义可以根据不同需要进行设定，本发明对此不作具体限定。
本发明提供的城市交通动态知识图谱的构建方法，通过构建多粒度的城市交通动态知识图谱，并将粒度较小的城市交通动态知识图谱应用于公交线路规划，粒度较大的城市交通动态知识图谱应用于城市区域规划等方面，可以满足复杂多样的交通需求，从而实现对城市交通需求的精准服务与快速响应，更好的实现了数据资源的关联融合。
进一步地，在一个实施例中，方法还包括：
S3、将城市交通动态知识图谱输入至预设网络模型进行训练，对城市交通动态知识图谱进行拟合，并在满足预设条件时停止训练，以优化预设网络模型；
S4、根据优化后的网络模型，确定城市交通变化预测模型。
具体地，每隔预设采样周期将城市交通动态知识图谱输入至预设网络模型训练，对城市交通动态知识图谱进行函数拟合，优化预设网络模型，当满足预设条件时，停止训练，并获得优化后的网络模型的预测函数，并根据优化后的网络模型以及预测函数确定城市交通变化预测模型。
本发明中预设网络模型可以为长短时记忆模型，也可以为卷积神经网络模型，还可以为循环神经网络模型。本发明对此不作具体限定。
以长短时记忆模型为例加以说明，具体地，长短时记忆模型包括记忆单元，记忆单元包括遗忘门、输入门和输出门，采用具有1个输入层、3个隐藏层、一个输出层的LSTM模型。
其中所述遗忘门的计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，σ为逻辑sigmoid函数，ft为遗忘门的输出值，Wf为遗忘门神经网络的权重，ht-1为t-1时刻节点的输出，xt为t时刻节点的输入，bo为遗忘门神经网络的偏置。
其中所述输入门的计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，it为输入门的输出值，Wi为输入门神经网络的权值，bi为输入门神经网络的偏置。
其中所述输出门的计算公式为：
ot＝σ(Wo·[ht-1,xt]+bo)
其中，ot为输ot门的输出值，Wo为输出门神经网络的权值，bo为输出门神经网络的偏置。
单位激活向量为：
ht＝ot tanh ct
其中，Ct为t时刻的单元状态。
本发明中预设网络模型训练10000epochs，初始学习率为0.1。训练5000epochs后以降低学习率为0.01。在训练的每一步过程中，依据交叉熵准则计算误差向量，根据标准反向传播算法更新权重：
Error(t)＝y*(t)-y(t)
其中y*(t)为预测输出值，y(t)为实际网络输出值，Error(t)为误差向量。
最终将满足预设条件的长短时记忆模型作为城市交通变化预测模型的优化网络模型，并获得优化后的网络模型的预测函数，并根据优化后的预设网络模型以及预测函数确定城市交通变化预测模型。
将城市交通动态知识图谱输入至预设知识图谱预测模型进行训练，对城市交通动态知识图谱进行拟合，并在满足预设条件时停止训练，以优化预设网络模型。
具体地，预设阈值为δ，将城市交通动态知识图谱输入至预设知识图谱预测模型进行训练，对城市交通动态知识图谱不断拟合，直至长短时记忆模型的误差向量Error(t)满足预设条件：Error(t)≤δ时，停止对长短时记忆模型进行训练，并将此时的长短时记忆模型作为优化后的预设网络模型。
本发明提供的城市交通动态知识图谱的构建方法，利用预设网络模型可以有效对交通信息进行整合，实现海量多源数据的精准治理、多层融合、深度关联，形成高效稳定的交通数据处理模型，从而使得基于预设网络模型训练所获的城市交通变化预测模型，可以实现对城市交通客流特征分析、城市规划建设、公交线网规划以及公交运营检测。
图3是本发明提供的城市交通动态知识图谱的构建装置的结构示意图，如图3所示，关系模型确定模块310以及知识图谱构建模块320；
关系模型确定模块310，用于根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
知识图谱构建模块320，用于根据预设时间间隔内获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱；
其中，地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征。
本发明提供的城市交通动态知识图谱的构建方法，基于关系模型确定模块310通过根据城市交通站点的地点节点以及地点节点属性特征，获得地点节点关系模型，结合知识图谱构建模块320利用预设采样周期获得的地点节点、地点节点属性特征以及地点节点关系模型，充分利用了庞大的城市交通信息数据，对城市交通知识图谱进行更新，构建城市交通动态知识图谱，提高了知识图谱的动态特征，同时提高了城市交通之间的关联性，从而实现对城市交通变化进行准确预测，提高城市交通服务。
图4是本发明提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413，其中，处理器410，通信接口411，存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以执行城市交通动态知识图谱的构建方法，方法包括：
根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
根据预设采样周期获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供城市交通动态知识图谱的构建方法，方法包括：
根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
根据预设采样周期获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供城市交通动态知识图谱的构建方法，例如包括：
根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
根据预设采样周期获取的地点节点、地点节点属性特征以及地点节点关系模型，构建城市交通动态知识图谱。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种城市交通动态知识图谱的构建方法，其特征在于，包括：
根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱；
其中，所述地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征、地点节点路链交通属性特征以及地点节点交通属性特征；
所述根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型，包括：
根据所述城市交通站点、所述城市交通站点的路链信息以及所述城市交通站点的地理位置，确定所述地点节点；
将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征；
将社会事件信息与所述地点节点进行关系连接，确定所述地点节点社会事件属性特征；
将所述路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
根据所述地点节点、所述地点节点兴趣点属性特征、所述地点节点社会事件属性特征、所述地点节点路链交通属性特征以及所述地点节点交通属性特征，确定所述地点节点关系模型；
所述将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征，包括：
获取描述城市兴趣点的相关数据；
对所述相关数据进行分词处理，并根据所述分词处理的结果进行主题建模，确定所述相关数据的主题分类；
将所述主题分类作为城市兴趣点属性特征；
将所述城市兴趣点信息与所述地点节点进行关系连接，以确定所述地点节点兴趣点属性特征；
其中，所述相关数据至少包括：互联网平台中的所述城市兴趣点的评分数据以及评价数据；
所述城市兴趣点信息包括所述城市兴趣点的名称、类别、经度和纬度；
所述将所述路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征，包括：
对所述路链信息进行预处理；
将预处理后的路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
其中，所述路链信息包括：路链静态信息和路链动态信息；
所述路链静态信息包括路段固定摄像头数据；
所述路链动态信息包括城市交通出行工具的数据、路况数据以及路测停车位数据；
所述将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征，包括：
获取所述地点节点预设范围的城市兴趣点，并确定所述地点节点与所述城市兴趣点之间的映射关系；
对城市OD数据进行建模，确定城市兴趣点出行强度；
根据所述映射关系以及所述城市兴趣点出行强度，确定所述地点节点的出行流量属性；
根据城市交通出行数据获取所述地点节点的交通出行联系属性；
根据所述出行流量属性以及所述交通出行联系属性，确定所述城市交通出行信息；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
其中，所述城市OD数据为基于如下一种或多种数据，并对出行行为进行分析所获取的：
城市交通调查数据、自动售检票系统刷卡数据、手机信令数据以及共享单车开关锁数据。
2.根据权利要求1所述的城市交通动态知识图谱的构建方法，其特征在于，所述根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱，包括：
根据预设知识图谱粒度，确定所述预设知识图谱粒度的区域的大小；
对所述区域内的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型进行区域整合以及功能合并，获取区域节点、区域属性以及区域节点关系模型；
根据所述区域节点、所述区域属性以及所述区域节点关系模型，构建区域知识图谱；
根据区域知识图谱，构建所述城市交通动态知识图谱。
3.根据权利要求1或2所述的城市交通动态知识图谱的构建方法，其特征在于，在所述根据预设采样周期获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱之后，包括：
将所述城市交通动态知识图谱输入至预设网络模型进行训练，对所述城市交通动态知识图谱进行拟合，并在满足预设条件时停止训练，以优化所述预设网络模型；
根据优化后的网络模型，确定城市交通变化预测模型。
4.一种城市交通动态知识图谱的构建装置，其特征在于，包括：关系模型确定模块以及知识图谱构建模块；
所述关系模型确定模块，用于根据城市交通站点的地点节点以及地点节点属性特征，确定地点节点关系模型；
所述知识图谱构建模块，用于根据预设时间间隔内获取的所述地点节点、所述地点节点属性特征以及所述地点节点关系模型，构建所述城市交通动态知识图谱；
其中，所述地点节点属性特征包括：地点节点兴趣点属性特征、地点节点社会事件属性特征以及地点节点交通属性特征；
所述关系模型确定模块具体用于：
根据所述城市交通站点、所述城市交通站点的路链信息以及所述城市交通站点的地理位置，确定所述地点节点；
将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征；
将社会事件信息与所述地点节点进行关系连接，确定所述地点节点社会事件属性特征；
将所述路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
根据所述地点节点、所述地点节点兴趣点属性特征、所述地点节点社会事件属性特征、所述地点节点路链交通属性特征以及所述地点节点交通属性特征，确定所述地点节点关系模型；
所述将城市兴趣点信息与所述地点节点进行关系连接，确定所述地点节点兴趣点属性特征，包括：
获取描述城市兴趣点的相关数据；
对所述相关数据进行分词处理，并根据所述分词处理的结果进行主题建模，确定所述相关数据的主题分类；
将所述主题分类作为城市兴趣点属性特征；
将所述城市兴趣点信息与所述地点节点进行关系连接，以确定所述地点节点兴趣点属性特征；
其中，所述相关数据至少包括：互联网平台中的所述城市兴趣点的评分数据以及评价数据；
所述城市兴趣点信息包括所述城市兴趣点的名称、类别、经度和纬度；
所述将所述路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征，包括：
对所述路链信息进行预处理；
将预处理后的路链信息与所述地点节点进行关系连接，确定所述地点节点路链交通属性特征；
其中，所述路链信息包括：路链静态信息和路链动态信息；
所述路链静态信息包括路段固定摄像头数据；
所述路链动态信息包括城市交通出行工具的数据、路况数据以及路测停车位数据；
所述将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征，包括：
获取所述地点节点预设范围的城市兴趣点，并确定所述地点节点与所述城市兴趣点之间的映射关系；
对城市OD数据进行建模，确定城市兴趣点出行强度；
根据所述映射关系以及所述城市兴趣点出行强度，确定所述地点节点的出行流量属性；
根据城市交通出行数据获取所述地点节点的交通出行联系属性；
根据所述出行流量属性以及所述交通出行联系属性，确定所述城市交通出行信息；
将城市交通出行信息与所述地点节点进行关系连接，确定所述地点节点交通属性特征；
其中，所述城市OD数据为基于如下一种或多种数据，并对出行行为进行分析所获取的：
城市交通调查数据、自动售检票系统刷卡数据、手机信令数据以及共享单车开关锁数据。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至3任一项所述城市交通动态知识图谱的构建方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述城市交通动态知识图谱的构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364436.0A CN112418696B (zh) | 2020-11-27 | 2020-11-27 | 城市交通动态知识图谱的构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364436.0A CN112418696B (zh) | 2020-11-27 | 2020-11-27 | 城市交通动态知识图谱的构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418696A CN112418696A (zh) | 2021-02-26 |
| CN112418696B true CN112418696B (zh) | 2024-06-18 |
Family
ID=74842860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011364436.0A Active CN112418696B (zh) | 2020-11-27 | 2020-11-27 | 城市交通动态知识图谱的构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418696B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239198B (zh) * | 2021-05-17 | 2023-10-31 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
| CN114153928A (zh) * | 2021-12-03 | 2022-03-08 | 中国电信股份有限公司 | 城市地理语义知识网络的构建方法、系统、设备及介质 |
| CN114782898B (zh) * | 2022-05-09 | 2023-04-07 | 山东师范大学 | 基于知识图谱与区域人群密度的人群拥堵预测方法及系统 |
| CN115222158B (zh) * | 2022-09-07 | 2023-01-06 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市停车场管理方法、系统及装置 |
| CN115482665B (zh) * | 2022-09-13 | 2023-09-15 | 重庆邮电大学 | 一种知识与数据协同驱动的多粒度交通事故预测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472066A (zh) * | 2019-08-07 | 2019-11-19 | 北京大学 | 一种城市地理语义知识图谱的构建方法 |
| CN111597350A (zh) * | 2020-04-30 | 2020-08-28 | 西安理工大学 | 基于深度学习的轨道交通事件知识图谱构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160753B (zh) * | 2019-12-25 | 2023-05-02 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
-
2020
- 2020-11-27 CN CN202011364436.0A patent/CN112418696B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472066A (zh) * | 2019-08-07 | 2019-11-19 | 北京大学 | 一种城市地理语义知识图谱的构建方法 |
| CN111597350A (zh) * | 2020-04-30 | 2020-08-28 | 西安理工大学 | 基于深度学习的轨道交通事件知识图谱构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418696A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418696B (zh) | 城市交通动态知识图谱的构建方法及装置 | |
| Yang et al. | Using graph structural information about flows to enhance short-term demand prediction in bike-sharing systems | |
| Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
| Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
| Stenneth et al. | Transportation mode detection using mobile phones and GIS information | |
| Long et al. | Discovering functional zones using bus smart card data and points of interest in Beijing | |
| Dagaeva et al. | Big spatio‐temporal data mining for emergency management information systems | |
| WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
| Weng et al. | Modeling mode choice behaviors for public transport commuters in Beijing | |
| Khan et al. | Short-term traffic prediction using deep learning long short-term memory: Taxonomy, applications, challenges, and future trends | |
| Wang et al. | Data-driven solutions to transportation problems | |
| Wang et al. | A Network‐Based Model of Passenger Transfer Flow between Bus and Metro: An Application to the Public Transport System of Beijing | |
| CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
| CN114444794A (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
| CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| Seo et al. | LoRa based architecture for smart town traffic management system | |
| Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
| Christian et al. | Bayesian models with spatial autocorrelation for bike sharing ridership variability based on revealed preference GPS trajectory data | |
| Feng et al. | Integrated imputation of activity-travel diaries incorporating the measurement of uncertainty | |
| Zhao et al. | Exploring the impact of trip patterns on spatially aggregated crashes using floating vehicle trajectory data and graph Convolutional Networks | |
| Chen et al. | Multi-modal neural network for traffic event detection | |
| Tao et al. | Big data applications in urban transport research in Chinese cities: an overview | |
| Liang et al. | Modeling taxi cruising time based on multi-source data: a case study in Shanghai | |
| Yongdong et al. | Analysis of road travel behaviour based on big trajectory data | |
| Liu et al. | Using classification and regression tree and dimension reduction in analyzing motor vehicle traffic accidents |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |