Page 418 - 《软件学报》2025年第4期

1824 软件学报 2025 年第 36 卷第 4 期

进行表示:

T
exp(w [h i ||x i,j ])
a i,j = ∑ (34)
T
exp(w [h i ||x i,k ])
v k ∈N pa (i)
pa
其中, || 表示拼接操作, N (i) 表示在通过视图中节点 v i 的邻居节点的集合, w 是一个待训练的注意力权重向量,
x i,j 是边的信息表示, h i 是节点 v i 的特征表示. 在得到邻居节点的权重后, 需要根据权重和邻居节点嵌入计算视图
v i 的 3 个不同视图的视图嵌入, 其中, 通过节点的视图嵌入可以表示为:
嵌入, 根据这种方法类似计算可以得到节点

∑
¯ h = a i,j ·W pa x i,j (35)
pa
i
v j ∈N pa (i)
W pa 是通过节点视图的待训练权重矩阵, 它表示与视图相关的可学习权重矩阵, 不同视图的权重矩阵不同.
其中,
然后, 除了类别内的关系建模, MVH-GNN 通过门控融合块实现对类别间的关系进行建模. 假设有任意的两个
视图嵌入, 该门控融合块可表示为:

¯ a ¯ b
z = Sigmoid(W z [h ||h ]+b z ) (36)
类型的元路径中的节点是相同道路类型的相邻路段, 图
i i
¯ a
o i = (1−z)⊙h +z⊙h ¯ b i (37)
i
¯ a ¯ b b z 分别为待训练的权重矩阵和偏置. 在得到门控融合块的
其中, h 和 h 分别表示的是任意两个视图的嵌入, W z 和
i i
输出 o i 后, 与原始节点嵌入 h i 拼接, 经过线性层和激活函数后得到节点 v i 的输出嵌入, 该过程可表示为:

e i = tanh(W e [h i ||o pa-pl ||o pa-ex ||o pl-ex ]+b e ) (38)
i i i
e i 是通过 MVH-GNN pa-pl pa-ex pl-ex
其中, 网络得到的节点 v i 的嵌入表示, W e 和 b e 分别是待训练的权重和偏置, o i , o i 和 o i
代表节点 v i 的 3 个视图两两融合的结果, 分别为通过视图和规划视图的关系输出, 通过视图和扩展视图的关系输
出和规划视图和扩展视图的关系输出.
最后, T-Closure 将 MVH-GNN 网络分别应用于连续时间段的图序列 {G 1 ,G 2 ,...,G |T| } 可以得到输出的视图嵌
入序列 {e 1 ,e 2 ,...,e |T| } , 完成空间信息提取后, 再输入到 LSTM [33] 中完成时间信息提取.

4.2.2 基于元路径感知的时空融合架构
基于关系类型感知的时空融合架构应用广泛, 在一定程度上可以融合动态异质图中的时空信息, 但它通常涉
及的参数量较大, 计算开销提高. 除此之外, 基于关系类型感知的时空架构通常建模的空间关系较为简单, 对于高
阶的语义信息捕获不足. 近年来, 随着越来越多研究者关注元路径在异质图中的应用, 这种基于节点之间的特定关
系序列的方法也被引入到时空融合架构中.
为了解决交通问题中的缺失路况补全问题, Zhang 等人 [35] 提出了一个基于 GPS 轨迹的多视图异构图网络
HAN, 它考虑了复杂的空间异质信息, 如道路类型、特征和道路连接的多样性, 同时也考虑了时间异质性, 如邻接
时间交通状态的相关性. HAN 分别在空间维度和时间维度上基于元路径进行异质图建模, 最后通过张量外积和低
秩分解将空间维度的信息和时间维度的信息进行融合.
如图 6, 在空间维度上, HAN 构建了两种不同的元路径, 它们的区别在于相邻路段的道路类型是否相同, 图 6(a)
6(b) 类型的元路径中的节点是不同道路类型的相邻路段.
在时间维度上, HAN 同样构建了两种不同的元路径, 图 6(c) 类型的元路径中的节点表示相邻两天的同一时间点,
图 6(d) 类型的元路径中的节点则表示同一天内的相邻时间点.
无论是在空间维度还是在时间维度, HAN 都通过构建异构图注意力网络来建模空间和时间依赖性, 该模型引
入多头自注意力机制 [26] , 首先在单个元路径上学习邻居节点权重, 再将学习到的权重聚合节点表示得到整条元路
径的表示, 最后将每条元路径表示与学习到的元路径在时间/空间中的权重结合, 通过聚合得到时间和空间视图的
表示. 下面将介绍该部分的具体过程.
′
i
首先, 在每条元路径 ϕ 中, 需要用特定的变换矩阵将节点 的原始嵌入表示 h i 转换为 h , 以区分同一节点在不
i
i
j
同元路径中具有不同的表示. 在元路径 ϕ 中, 相互连接的节点 对节点 的重要程度可用如下公式表示: