买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种基于半监督超图聚类的个体出行模式分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115809279B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211218949.X，技术领域涉及：G06F16/2458；该发明授权一种基于半监督超图聚类的个体出行模式分析方法是由张勇;王铭;杨轶圣;朴星霖;尹宝才设计研发完成，并于2022-10-07向国家知识产权局提交的专利申请。

本一种基于半监督超图聚类的个体出行模式分析方法在说明书摘要公布了：本发明提出一种基于半监督超图聚类的个体出行模式分析方法，用于解决现有技术没有考虑到乘客出行之间复杂的关联关系以及实际应用中交通出行数据的难以标记，进而无法准确挖掘出具有相似出行行为的个体。本方法首先根据公共交通出行链数据从多个维度提取乘客出行行为特征，利用根据出行行为特征构建超图来表示乘客之间复杂的高阶关联关系。其次提出卷积融合模块自适应地融合乘客自身的出行信息和乘客之间的关联结构信息。然后将融合后的特征表示执行聚类，从而识别出行模式。最后，为了提升聚类的性能，采用半监督学习，通过少量监督信息达到更好的聚类效果。本方法在北京市公共交通数据上能够挖掘出具有相似出行模式的乘客。

本发明授权一种基于半监督超图聚类的个体出行模式分析方法在权利要求书中公布了：1.一种基于半监督超图聚类的个体出行模式分析方法，其特征在于包括以下步骤： 步骤1：出行特征提取 研究的对象为出行个体，首先基于乘客出行链数据从时间维度、空间维度、属性维度三个维度分别提取乘客出行特征，以描绘乘客的移动模式； 步骤2：超图构建 根据乘客的出行特征构建出行行为超图，在构建超图时，采用k近邻的方法形成超边从而构建超图，具体过程如下： 首先利用欧式距离去计算每个个体与其他个体间的距离，并且选取了距离自身最近的k个个体建立超边，用超图邻接矩阵去表示超边；我们就得到了无监督超图H； 此外，在构建超图的过程中，通过半监督学习的方式提升聚类结果的准确性；在利用特征相似性构建的超图时，有标签的个体会被划分在更多的超图的边里，引导无标签的节点从已经被优化后的有标签的节点特征中学习信息，得到半监督超图H′； 其中，设置的有标签数据与无标签数据的比例分别为9:1、8:2和7:3，从而验证半监督实验的效果； 步骤3：超图深度聚类模块 将乘客的出行特征序列X、无监督超图H和半监督超图H′分别输入到自编码器AE和超图卷积HGCN中；自编码器AE由全连接线性层Linear堆叠而成；AE具体过程如下：输入X到Linear1层，并通过非线性激活函数Relu学习嵌入特征H1，其余部分同样采取相同的操作；则深度网络整体网络结构为：Linear1→Relu→Linear2→Relu→Linear3→Relu→Linear4→Relu→Linear5→Relu→Linear6→Relu→Linear7→Relu→Linear8→Relu；全连接层之间的维度变换序列为：F→500→500→2000→10→2000→500→500→F，其中F为出行特征序列X的特征维度，从维度变换序列中得到Linear1层的输入维度参数为F，输出维度参数为500；Linear2层的输入维度参数为500，输出维度参数为500；Linear3层的输入维度参数为500，输出维度参数为2000；Linear4层的输入维度参数为2000，输出维度参数为10；Linear5层的输入维度参数为10，输出维度参数为2000；Linear6层的输入维度参数为2000，输出维度参数为500；Linear7层的输入维度参数为500，输出维度参数为500；Linear8层的输入维度参数为500，输出维度参数为F； 超图卷积通道是由5层超图卷积模块HGCN堆叠而成，每层HGCN包括两层超图神经网络HGNN；超图神经网络的传播过程为： Zl表示卷积第l层的输出，Zl-1是卷积第l层的输入，W为权重矩阵，H是超图邻接矩阵，HT表示超图邻接矩阵的转置矩阵，Dv和De分别为邻接矩阵边度和顶点度的对角矩阵，Θ表示滤波器矩阵，Θl-1表示卷积第l层的输入滤波器矩阵； 输入X和H′到HGNN1层，然后通过非线性激活函数Relu学习嵌入特征和Dropout解决过拟合问题得到X1；输入X1和H到HGNN11层，然后通过激活函数Relu学习嵌入特征和Dropout解决过拟合问题得到Z1，Dropout的p参数为0.5；接下来采取相同操作，最终通过激活函数Relu学习嵌入特征和Dropout解决过拟合问题得到Zl；其整体网络：HGNN1→Relu→Dropout→HGNN11→Relu→Dropout→HGNN2→Relu→Dropout→HGNN22→Relu→Dropout→HGNN3→Relu→Dropout→HGNN33→Relu→Dropout→HGNN4→Relu→Dropout→HGNN44→Relu→Dropout→HGNN5→Relu→Dropout→HGNN55→Relu→Dropout；维度的变化为：F→500→500→500→500→2000→2000→10→10→聚类类别数-聚类类别数，从维度变换序列中得到HGNN1的输入维度参数为F，输出维度参数为500，HGNN11的输入维度参数为500，输出维度参数为500；HGNN2的输入维度参数500，输出维度参数为500，HGNN22输入维度参数为500，输出维度参数为500；HGNN3输入维度参数为500，输出维度参数为2000，HGNN33输入维度参数为2000，输出维度参数为2000；HGNN4的输入维度参数为2000，输出维度参数为10，HGNN44的输入维度参数为10，输出维度参数为10；HGNN5输入维度参数为10，输出维度参数为聚类类别数，HGNN55的输入维度参数为聚类类别数，输出维度参数为聚类类别数； 然后是特征融合模块，针对自编码器的前四层和前四组超图卷积层，将第l层AE的特征表示Hl和第l层超图卷积的输出特征Zl拼接为符合2D卷积网络的数据格式M∈R1*2*N*F′，N为节点个数，F′为上一层输出的特征维度；利用卷积核为3*3，步长为1，分组等于特征通道数的2D深度卷积融合对应层编码器和对应组的超图卷积的输出，从而最后输出更新后的特征表示同样包含着有标签的数据和无标签的数据作为l+1层超图卷积的输入，从而最后输出更新后的特征表示Z；整体过程如下式所示： 其中，表示为特征融合后的第l层输出，DWCon2d表示深度卷积的特征融合过程，M为特征拼接后的数据； 由于，超图卷积最后一层是具有softmax功能的多分类层： 输出Z视为概率分布，zij∈Z表明样本i属于聚类中心j的概率； 最后，基于t分布利用自编码器中编码器学习到的向量的k-means初始化中心和编码器最后一层的向量表示，来计算样本i分配给类别j的可能性，得到了聚类结果T；超图卷积最后一层Softmax层对最后一层超图卷积的输出进行分数计数，得出聚类分布Z；为了使数据表示更加接近聚类中心，对T中的每一个赋值都进行平方并归一化，得到聚类分布P，利用P去双重监督T和Z；因此，本方法的反向传播损失包含P与T之间的目标函数P与Z之间的目标函数以及自编码器的损失函数 X为输入数据，为通过自编码器重构后的数据，为Frobenius范数；pij表示目标分布P中样本i分配给类别j的概率，tij为分布T中样本i分配给类别j的概率； 总体损失函数为： 其中α和β是超参数，α平衡了原始数据的聚类优化和局部结构保存的超参数，β是控制GCN模块对嵌入空间干扰的系数；通过网络参数优化，将总体损失函数降至最小，此时α为0.1和β为0.01；同时，设置学习率设置为10-3；“AdamW”优化器被用于训练，训练的批次总数设置为200，从而得到出行模式的聚类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。