1.一种基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,所述方法包括以下步骤:
步骤1,跨模态数据获取与预处理:采集与未知目标设施v0相关的其他设施v的多模态历史数据,并对这些数据进行归一化处理,得到特征表示
步骤2,构建描述跨模态的设施间关系的异构图结构;
步骤3,构造一个以未知目标设施为中心,其余节点为已有的其他多模态设施的异构子图结构;
步骤4,针对步骤3异构子图结构中的中心节点以外的具有节点特征表示的所有节点,采用关系图神经网络模型计算其高阶特征表示;
步骤5,采用深度学习架构,通过邻居节点特征聚合器有选择地提取子图中的特征信息,组成图的特征嵌入表示,作为中心的未知目标设施的节点特征表示;
步骤6,提取时间相关性,将每个时间片段学习到的未知目标设施的节点特征表示作为循环神经网络模型输入,预测未来未知目标设施的需求情况。
2.根据权利要求1所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤2所述构建描述跨模态的设施间关系的异构图结构,具体包括:
将不同模态的设施作为异构图结构的图节点,节点特征为步骤1中得到的特征表示;
计算跨模态的设施间的地理距离相近性与自身功能相似性,得到跨模态的设施间的多类异构关系,将该多类异构关系作为异构图结构的异构边。
3.根据权利要求1或2所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,所述距离相近性的计算公式为:
式中,
所述功能相似性的计算公式为:
式中,
4.根据权利要求3所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤3所述以所述未知目标设施为初始节点,构造一个未知目标设施为中心,其余节点为已有的其他多模态设施的异构子图结构,具体为:
以所述未知目标设施为初始节点,根据步骤2中计算得到的多类异构关系,采用基于广度优先搜索的子图构造方法,构造一个以未知目标设施为中心,其余节点为已有的其他多模态设施的异构子图结构,具体过程包括:
步骤3-1,输入子图节点的个数m,未知目标设施v0作为中心节点和初始节点,其他已有设施的节点表示vre,以及时间t;
步骤3-2,初始化一个队列,将未知目标设施v0入队;
步骤3-3,从队列中出队一个设施vi,将该设施和与该设施有关的边加入最终子图
步骤3-4,重复步骤3-3直到队列为空或子图
步骤3-5,输出最终的子图
对于历史上的多时间片段,均计算其对应的子图,形成一组时序图结构
5.根据权利要求4所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤4所述针对步骤3异构子图结构中的中心节点以外的具有节点特征表示的所有节点,采用关系图神经网络模型计算其高阶特征表示,具体为:
对于某个时间片段t所对应的子图
步骤4-1,在异构子图结构上提取该节点vi的空间上的相关性:
式中,nr(i)为节点vi的以r类型连接的邻居节点的集合,j表示该集合中任意一个节点的标号,|nr(i)|表示该集合内的元素个数,εr,ij为设施vj与设施vi的边权值,
步骤4-2,在异构子图结构上提取该节点vi的空间上的差异性:
式中,
步骤4-3,综合节点vi在第l层的特征表示
式中,
步骤4-4,建立总共l层的信息传递层,在其中重复步骤4-1到步骤4-3,得到每个节点vi在每个层上的从低阶到高阶的特征表示
步骤4-5,将节点vi的特征表示
6.根据权利要求5所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤4-1与步骤4-2中涉及到的参数w与b,采用基于矩阵重构的正则化方法计算得出,表达式如下:
式中,q为基矩阵的个数,
参数
7.根据权利要求6所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤5所述采用深度学习架构,通过邻居节点特征聚合器有选择地提取子图中的特征信息,组成图的特征嵌入表示,作为中心的未知目标设施的节点特征表示,具体为:选取与中心的未知目标设施v0即中心目标节点关系最紧密的已有设施,采用加权连接得到最终的中心目标节点特征表示,具体包括:
初始化集合
之后采用邻居池化聚合器组成图的特征嵌入表示h:
式中,gj表示经步骤4计算得到的节点j的高阶特征表示,
将h作为未知目标设施v0在时间片段t的节点表示形式。
8.根据权利要求7所述的基于跨模态数据融合的未知目标特征建模与需求预测方法,其特征在于,步骤6中所述提取时间相关性,具体采用长短期记忆网络lstm提取。