本發明涉及車聯網和社交網絡，尤其涉及一種基于圖注意力自動編碼器的車輛重疊群組檢測方法。
背景技術：
1、隨著智能交通系統的發展，車輛可以通過無線通信技術相互連接，形成一種自組織網絡，這種網絡可以支持信息共享、導航、交通管理等應用。這種網絡利用車與車(v2v)和車與基礎設施(v2i)之間的通信，旨在提高道路安全、優化交通流量和增強環境監測能力。社群檢測，即識別網絡中密集連接的節點群體，這些社群通常表現為網絡中密集的連接區域，節點之間的聯系緊密，而與其他社群的聯系則相對稀疏，對于管理車輛及維護車輛社交網絡內的安全至關重要。在車輛社交網絡中，可以提高通信效率，增強安全性和隱私保護，優化資源分配及實現局部管理。
2、而大多數現有的社群檢測方法主要集中于識別不重疊的社群，例如，在文獻《車載社交網絡中的混合信任評估機制研究》中，提出了一個基于用戶興趣相似度的社群發現算法，但該算法只能檢測非重疊的車輛社群。然而，重疊社群在車輛社交網絡中非常常見的，對于車輛而言，在不同的時間段或不同的情境中可能參與不同的社群。
技術實現思路
1、社群檢測在車輛社交網絡中尤為重要，有助于識別網絡中密集連接的車輛群體；然而，現有的大多數社群檢測方法主要集中于不重疊的社群，且通常只關注網絡的拓撲結構，而忽略了節點的屬性信息，針對這些局限性，本發明提供一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，該方法包括圖注意力自動編碼器模塊、模塊度優化增強模塊和半監督聚類模塊；首先，圖注意力自動編碼器模塊融合拓撲信息和節點屬性信息，并利用圖注意力機制對節點進行編碼；其次，模塊度優化增強模塊準確地捕捉重疊社群的結構；最后，通過半監督聚類模塊融合先驗信息，提升社群檢測的準確性，通過上述的三個模塊，可有效提高車輛節點的重疊社群檢測的準確性。
2、為了實現上述發明目的，本發明采用技術方案具體為：一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，包含三個模塊，分別是圖注意力自動編碼器模塊，模塊度優化增強模塊和半監督聚類模塊，具體包括以下步驟：
3、步驟1、將網絡拓撲結構和節點屬性信息輸入圖注意力自動編碼器的編碼器部分，通過自動編碼器結構，不僅可以學習到圖的潛在表示，還能夠通過重構損失來優化模型，使其更好地捕捉圖中的關鍵結構特征。
4、步驟2、編碼器的圖注意力機制對輸入的網絡拓撲結構和節點屬性信息進行編碼，經過注意力機制的處理后，表示為多個不同的隱層嵌入表示，這些不同的嵌入捕捉了節點之間的復雜關系和屬性差異，再通過一個激活函數進行非線性變換，生成新的節點嵌入表示。
5、步驟3、解碼器將新的節點嵌入表示與原始的圖嵌入表示進行組合，通過解碼過程還原網絡拓撲結構和節點屬性信息，并與原始的拓撲結構和屬性信息進行對比，評估重構的質量。
6、步驟4、通過模塊度優化增強模塊的優化約束，進一步調整節點嵌入，確保社群結構的合理性，使用m/m/1排隊模型，并設定qij≥0和約束條件來進行優化，最終輸出一個模塊度優化增強損失lm，衡量社群檢測的合理性。
7、步驟5、使用先驗信息進行半監督聚類，根據圖重建損失lr，模塊度優化增強損失lm，半監督聚類損失ls進行優化，得到基于節點的嵌入表示生成社群檢測結果。
8、本發明提出了一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，所述步驟2的具體步驟如下：
9、步驟2.1、在多頭注意力機制中,引入了l個獨立的注意力頭,每個頭都有其自己的線性變換矩陣w(l)，用于將原始節點特征hi轉換為新特征空間。這個變換是對每個節點特征向量單獨進行的，公式如下：
10、
11、其中是節點i在第l個頭中的新特征表示。
12、步驟2.2、對每個節點vi和vj計算一個注意力打分，表示節點vj對節點vi的重要性。這個打分基于線性變換后的特征表示和進行計算。具體公式為：
13、
14、其中a(l)是第l個頭的注意力權重向量，長度為2f'，用于將拼接后的向量映射到一個標量，而||就表示拼接操作，其中f'是每個頭的新特征空間維度。leakyrelu是激活函數。
15、步驟2.3、使用softmax函數對所有鄰居節點的原始注意力分數進行歸一化，從而得到最終的注意力系數這個過程確保了所有鄰居節點的注意力系數之和為1：
16、
17、步驟2.4、對于每個注意力頭l，用注意力系數對鄰居節點特征進行加權求和，得到每個頭l的特征輸出
18、
19、步驟2.5、對所有頭的輸出特征進行平均，從而得到最終的節點表示：
20、
21、本發明提出了一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，所述步驟3的具體步驟如下：
22、步驟3.1、通過節點的潛在表示z重構圖的鄰接矩陣a，其中a是預測的鄰接矩陣。在使用多頭注意力機制時，潛在表示zi通常是從多個注意力頭的輸出特征zi(l)聚合而來。對多個頭的輸出特征求平均，每個節點的潛在表示為：
23、
24、步驟3.2、節點的潛在表示zi仍然是f'維向量。解碼器的公式保持不變，計算公式如下：
25、
26、其中是解碼器預測的節點i和節點j之間的邊的存在性。zi和zj分別是節點i和j的潛在表示，σ是激活函數，通常選擇sigmoid函數：
27、
28、步驟3.3、解碼器的最終結果作為重建的節點屬性值，重建節點屬性值的損失函數定義為式9。
29、
30、其中xi是第i個節點的原始二值屬性，是模型預測的第i個節點屬性為1的概率。這個損失函數是對每個節點的二值屬性重建進行二元交叉熵計算，通過最小化損失來優化模型對節點屬性的重建效果。
31、步驟3.4、鄰接矩陣預測的損失函數定義為式10：
32、
33、其中aij表示原始鄰接矩陣中的元素，具體來說是節點i和節點j之間是否存在邊。如果aij＝1，表示節點i和節點j之間有邊；如果aij＝0，表示沒有邊。是模型預測的鄰接矩陣中的元素，表示模型預測節點i和節點j之間有邊的概率。
34、步驟3.5、最終的重建損失函數由拓撲結構和節點屬性的重建損失相結合形成。
35、lr＝αlattr+βltop?????????????????????????????(11)
36、其中α和β是超參數，用于平衡節點屬性重建損失和鄰接矩陣預測損失的影響。
37、本發明提出了一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，所述步驟4的具體步驟如下：
38、步驟4.1、將編碼器輸出的最終的節點表示矩陣h通過模塊度優化增強模塊進一步細化。而模塊度是指示網絡社群結構強度的指標，可以定義為：
39、
40、其中di和dj是節點i和節點j的度數，hi和hj表示節點i和j的屬性向量。表示節點i和j的屬性相似度。
41、步驟4.2、在模塊度最大化模塊中增加一個馬爾可夫排隊系統變成模塊度優化增強模塊，在馬爾可夫排隊系統中，節點之間的狀態轉換可以用狀態轉移矩陣p來表示。定義增強后的模塊度優化目標為：
42、
43、其中pij表示節點i轉移到節點j的概率，aijpij表示不僅考慮節點之間是否有直接的邊，還考慮節點之間動態交互的強度。
44、步驟4.3、為了優化這個增強的模塊度，定義相應的損失函數為：
45、lm＝-qm?????????????????????????????????(14)
46、本發明提出了一種基于圖注意力自動編碼器的車輛重疊群組檢測方法，所述步驟5的具體步驟如下：
47、步驟5.1、通過半監督聚類模塊結合已知的節點標簽信息y，最終得到社群檢測的結果。通過半監督的策略，可以保持已知標簽的一致性，并同時挖掘未標記節點的潛在社群歸屬，使得整個社群劃分更加合理。因此，使用的交叉熵損失作為半監督損失ls：
48、
49、其中是已標記數據的集合，yij表示已標記節點i是否屬于社群j的真實標簽。
50、步驟5.2、為了獲得更準確的社群成員表示矩陣h，單獨使用圖注意力自動編碼器是不夠的。將圖注意力自動編碼器、模塊度優化增強和半監督聚類模塊整合為一個整體，可以得到更準確的社群檢測結果。最終目標函數如式16中定義。
51、l＝lr+γls-λlm??????????????????????????????(16)
52、其中γ和λ是代表不同損失權重的超參數，用于調整相應模塊的貢獻。lr、lm和ls分別表示圖注意力自動編碼器、模塊度優化增強和自訓練聚類模塊的損失。
53、步驟5.3、根據最終的損失函數l來訓練模型，得到最終的社群檢測結果。
54、主要符號及相關解釋如下表1所示。
55、表1符號說明
56、
57、與現有技術相比，本發明的有益效果為：
58、1、拓撲和屬性信息的集成：本發明所提出的方法利用圖注意力自動編碼器(gaae)，有效地融合了拓撲結構和節點屬性信息，能夠捕捉更復雜的網絡特征。這種集成可以更全面地了解社交網絡中車輛的關系和特征，從而實現更準確的社群檢測。在車輛社交網絡中，車輛不僅通過拓撲連接相互交互，還可能受到駕駛員的社會屬性(如職業、興趣等)的影響。這樣的集成使得社群檢測更加精準，能夠更好地反映出真實的車輛社群結構，有助于實現更高效的交通管理和資源優化。
59、2、模塊度優化增強模塊：該模塊在模塊度最大化的基礎上引入了馬爾可夫排隊模型。這項創新允許更靈活地表示重疊社群，使節點能夠同時屬于多個社群，這在車輛網絡中尤其重要，因為車輛的社會關系可能會隨時間而變化。傳統的社群檢測方法往往將節點嚴格劃分到單一社群，無法有效識別重疊社群。而通過引入馬爾可夫排隊模型，該模塊能夠靈活地表示節點在多個社群中的可能性。這種方法適用于車輛社交網絡，因為車輛可能在不同時間和場合參與不同的社群。優化后的模塊度方法增強了對動態交互和關系的建模能力，從而提高了社群檢測的準確性和可靠性。
60、3、半監督聚類模塊：該模塊利用先驗信息(已知社群標簽)來指導社群檢測。通過引入已知的社群標簽作為先驗信息，該模塊可以顯著提高社群檢測的準確性，確保檢測到的社群與實際社群結構更加吻合，解決純無監督方法的局限性。半監督方法結合了少量標記信息和未標記數據的潛在社群歸屬，能夠更合理地進行社群劃分。這種方式在車輛社交網絡中尤為重要，因為在實際應用中，車輛的社交行為和交互模式可能受到不同因素的影響，已知的標簽信息可以有效引導模型學習，提高最終的檢測效果。