专利交易市场

基于图卷积网络特征融合的交通模式识别方法，包括：(1)对原始的GPS轨迹数据进行数据预处理，包括异常数据删除、GPS轨迹分段、异常分段删除、运动学特征计算和数据归一化等操作；(2)构建交通模式识别模型；模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成；(3)拆分基于步骤(1)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；(4)根据步骤(3)的识别结果，计算各种评价指标；(5)以可视化方式展示模型的识别结果和评价指标。本发明还包括实施图卷积网络特征融合的交通模式识别方法的系统。本发明提高了交通模式识别的精度。

一种基于k‑means++聚类和图卷积网络的路网交通状态判别方法，属于交通状态判别技术领域。首先将目标路网划分为n个路段，每隔一定时间获取每个路段的平均流量；其次构建路网的拓扑结构数据；然后利用k‑means++聚类算法对反映路网交通状态的特征矩阵进行聚类，得到具有标签的样本数据；接着构建基于图卷积神经网络的路网交通状态判别决策模型；最后将样本数据分为训练样本集和测试样本集，以训练样本集训练路网交通状态判别决策模型，以测试样本集测试模型的准确度。本发明将路网作为研究对象，研究整个路网所属的交通状态，提出一种基于图卷积网络的交通状态判别决策模型，该模型能够充分考虑路网的空间特征，提高了路网交通状态判别的实时性和准确度。

本发明涉及城市交通流量预测与管理技术，具体是一种基于多步耦合图卷积网络的交通预测方法。本发明包含以下步骤：(1)通过定位设备收集每次出行的起始、终止位置和时间等信息，构造出每个站点在每个时间段的流入和流出量，作为每个站点的特征表示；(2)通过每个站点的历史流量或者位置关系构建站点之间的关系图；(3)通过多步耦合图卷积学习站点的空间特征表示，捕捉站点不同层次的需求变化；(4)在不同时间段的空间特征表示基础上，利用门控循环图神经网络学习站点的时空特征，实现空间特征与时间特征的融合；(5)利用多步注意力机制从历史交通流量特征中提取有用的信息，结合编码‑解码器结构来预测未来时刻的交通流量。