本发明涉及神经网络，尤其涉及一种道路网络关键路段识别方法。
背景技术：
1、道路网络是城市综合交通系统的重要组成部分，也是支撑城市运行的重要生命线。然而，道路网络易受外界因素的干扰和突发事件的破坏，如自然灾害、蓄意攻击等。在破坏性事件发生后，路网部分结构或功能被破坏，易出现大范围交通拥堵、部分出行需求不满足或部分区域间不连通的情况，严重影响居民生活、社会生产、以及抢险救灾工作的顺利开展。当路网遭受破坏时，管理者需要迅速确定需要优先修复哪些网络组件，以及如何优化受损组件的修复顺序，以便尽快恢复路网的连通性和服务功能，减少对抢险救灾、物资派发、人员转运等的影响。因此，优化事后路网修复策略显得尤为重要。通过精准识别关键路段并对其进行有效修复，可以最大程度地恢复交通系统的正常运行，从而减少对城市交通的干扰和经济损失。特别是在当前城市化进程不断加速的背景下，城市交通系统的规模和复杂性日益增加，道路网络的重要性更是日益凸显。
2、现有技术中，针对于道路网络修复序列优化问题，通过建立混合整数规划模型、动态规划模型、双层优化模型等优化事后修复顺序，为管理者提供决策支持。针对灾后公路桥梁网络的恢复优化问题，引入恢复轨迹偏斜来综合评估网络连通性恢复能力和经济损失，并基于非支配排序遗传算法ii(nsga-ii)对多目标恢复优化模型进行求解从而获得最优恢复序列。又或者通过混合整数规划模型优化优先修复目标以最大化网络连通性，并通过引入社区发现算法，简化了对大规模网络的搜索流程，有效地减轻了计算负担。
3、针对于道路网络关键路段识别问题，一方面可以根据节点的拓扑指标或功能指标评估节点的关键度。其中，拓扑指标是用于描述网络整体和局部拓扑特征的量化指标，例如度中心性、介数中心性、特征向量中心性、核度、接近中心性、leaderrank和pagerank等。另外，也可以综合考虑多个中心性度量指标以评估节点的关键度，并采用拓扑熵来确定这些不同度量指标的影响权重。另一方面还可以基于路网脆弱性实验来识别关键节点。具体来讲，该方法逐一使节点失去正常功能，包括降低节点的功能属性或断开节点与其他节点的连边等，通过比较各节点失效后网络性能的下降程度来评估该节点在维持复杂网络正常功能中的关键度。除此之外，使用不同的中心性度量指标对节点进行降序排列并逐个删除，根据网络最大社团大小的变化曲线来对比不同节点关键度指标的性能。
4、然而，现有技术存在如下问题：(1)在优化事后路网修复策略的过程中，现有的数学优化模型如混合整数规划模型、动态规划模型等，虽然能够在一定程度上提供决策支持，但这些模型在面对大规模交通网络时，往往由于计算复杂性的限制而难以满足快速响应和高效决策的需求。
5、(2)基于拓扑指标或功能指标评估路段重要性的方法，虽然操作简便且直观，但存在一定的局限性，单一指标的衡量方式无法全面反映在复杂道路网络中路段的真实情况，而多指标融合时权重的分配又缺乏科学的依据，
6、(3)基于路网脆弱性评估路段重要性的方法则主要关注单一路段的失效情况，欠缺对多个路段同时受损的复杂失效场景的研究，忽略了多个路段之间的协同作用和相互影响。
7、综上，亟需一种在应急恢复阶段能够有效修复受损道路网络以恢复其连通性和服务功能的道路网络关键路段识别方法。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种道路网络关键路段识别方法。
2、为了实现上述目的，本发明采取了如下技术方案。
3、第一方面，本发明提供一种道路网络关键路段识别方法，包括：
4、获取失效场景下的路段训练样本；
5、将所述路段训练样本对应的原始路网转换为对偶网络，从所述对偶网络中提取获得邻接矩阵和节点特征向量；
6、将所述路段训练样本、所述邻接矩阵和节点特征向量输入至基于图注意力网络的路网关键路段识别模型进行训练，以获得训练好的路网关键路段识别模型；
7、利用所述训练好的路网关键路段识别模型对失效场景下的待识别路段数据进行识别，获得关键路段。
8、进一步地，所述基于图注意力网络的路网关键路段识别模型包括依次连接的多个图注意力网络模块、全连接层以及输出层。
9、进一步地，所述将所述路段训练样本、所述邻接矩阵和节点特征向量输入至基于图注意力网络的路网关键路段识别模型进行训练，包括：
10、利用所述多个图注意力网络模块对所述路段训练样本、邻接矩阵和节点特征向量进行特征提取；
11、将提取到的多个特征向量输入至所述全连接层处理，并将处理后的特征向量输入至所述输出层，获得路段关键性取值向量；
12、根据所述路段关键性取值向量以及损失函数对基于图注意力网络的路网关键路段识别模型进行训练更新，以获得训练好的路网关键路段识别模型。
13、进一步地，所述利用所述多个图注意力网络模块对所述路段训练样本、邻接矩阵和节点特征向量进行特征提取，包括：
14、利用如下公式对所述路段训练样本、邻接矩阵和节点特征向量进行特征提取：
15、x(l+1)＝σ(gatconv(x(l),a)+linear(x(l))),l＝1,2,...,n
16、式中，gatconv(x,a)表示对输入给图注意力网络模块中当前层的特征向量x(l)和邻接矩阵a进行图注意力卷积操作，linear(x)表示对特征向量x(l)进行线性转换；n是路网关键路段识别模型中的图注意力网络模块总数；所述图注意力网络模块将经过图注意力卷积和线性转换后聚合的特征向量通过激活函数σ(·)传递给下一层。
17、进一步地，所述将所述路段训练样本对应的原始路网转换为对偶网络，从所述对偶网络中提取获得邻接矩阵和节点特征向量，包括：
18、将所述原始路网中的路段抽象为对偶网络中的节点，将路段之间的上下游关系抽象为对偶网络的边；
19、基于对偶网络中的节点、边进行特征提取，以获得邻接矩阵和节点特征向量。
20、进一步地，所述节点特征向量包括道路容量、度中心性、聚类系数、特征向量中心性、核度、pagerank值、加权介数中心性和加权接近中心性中的多种。
21、进一步地，所述路段训练样本通过如下方式获得：
22、从正常路网中随机移除多个路段以模拟多路段失效场景，并计算移除后路网的网络效率，重复生成多个路段失效场景，根据计算得到的网络效率筛选出极端失效场景下的路段数据作为路段训练样本。
23、第二方面，本发明还提供一种道路网络关键路段识别系统，包括：
24、样本获取模块，用于获取失效场景下的路段训练样本；
25、对偶提取模块，用于将所述路段训练样本对应的原始路网转换为对偶网络，从所述对偶网络中提取获得邻接矩阵和节点特征向量；
26、训练模块，用于将所述路段训练样本、所述邻接矩阵和节点特征向量输入至基于图注意力网络的路网关键路段识别模型进行训练，以获得训练好的路网关键路段识别模型；
27、识别模块，用于利用所述训练好的路网关键路段识别模型对失效场景下的待识别路段数据进行识别，获得关键路段。
28、第三方面，本发明还提供一种电子设备，包括存储器和处理器，处理器和存储器相互通信，存储器存储有可被处理器执行的程序指令，处理器调用程序指令执行如上的道路网络关键路段识别方法。
29、第四方面，本发明还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如上的道路网络关键路段识别方法。
30、本发明有益效果：本发明提供的道路网络关键路段识别方法，通过基于图注意力网络的道路网络关键路段识别模型进行关键路段识别，该模型使用多路段失效场景作为训练样本集进行训练，通过堆叠多个图注意力模块以捕捉路段间的相互作用与剩余网络连通性的关系，同时引入注意力机制在反向传播过程中自适应地为不同复杂交通特征分配不同的权重，从而使得模型能够逐步捕捉并理解路网的全局信息和失效路段与剩余网络性能的复杂关系，从而在提升识别准确性的同时，为后续的路网修复提供更为精确的目标定位。其中，以对路网连通性具有显著影响的多路段失效场景作为训练数据，能够增强模型在处理复杂交通状况时的适应性和精确性。本技术提供的方法能够处理大规模交通网络数据，并凭借离线学习与在线应用的结合，大幅降低了对实时计算资源的需求。因此，在实际路网修复过程中，可以利用预先训练的模型高效识别关键路段以迅速做出修复决策，确保在减少计算时间的同时，获得较好的路网修复效果，满足对实时决策的需求。
31、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种道路网络关键路段识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于图注意力网络的路网关键路段识别模型包括依次连接的多个图注意力网络模块、全连接层以及输出层。
3.根据权利要求2所述的方法，其特征在于，所述将所述路段训练样本、所述邻接矩阵和节点特征向量输入至基于图注意力网络的路网关键路段识别模型进行训练，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用所述多个图注意力网络模块对所述路段训练样本、邻接矩阵和节点特征向量进行特征提取，包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述路段训练样本对应的原始路网转换为对偶网络，从所述对偶网络中提取获得邻接矩阵和节点特征向量，包括：
6.根据权利要求5所述的方法，其特征在于，所述节点特征向量包括道路容量、度中心性、聚类系数、特征向量中心性、核度、pagerank值、加权介数中心性和加权接近中心性中的多种。
7.根据权利要求1所述的方法，其特征在于，所述路段训练样本通过如下方式获得：
8.一种道路网络关键路段识别系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
