面向动态路网的最优路径GCN深度搜索方法

路网中的最优路径搜索与规划作为位置服务中重要部分受到广泛关注，射频识别技术（RFID）等技术带来的大量交通数据成为了研究的基础与挑战。城市中出行场景对路网动态变化非常敏感，同时城市复杂多变的交通情况、真实路网与移动对象轨迹丰富的时空语义信息，都是动态路网中的最优路径搜索面临的难题。针对这些挑战，在分析现有算法不足的基础上，参考A*算法启发式思想，提出一种基于图卷积网络进行深度搜索的机器学习模型GCN-Search。模型首先通过时空图卷积网络，聚合相邻区域与过往时段的时空信息，对城市出行所依赖的路网近期动态变化进行建模；其次扩展路径搜索的深度，定义节点的深度估价值，并使用神经网络替代人工设计的估价函数，搜索利于路径整体最优的节点，直到生成最终路径。在某交管局提供的RFID数据集上进行的对比实验表明，GCN-Search算法可以有效利用RFID数据中的时空语义信息，提升动态路网出行的最优路径搜索的准确率。