随着车载GPS设备的广泛应用,越来越多的历史轨迹数据变得可用。从轨迹数据中学习司机们的选路偏好,进行基于轨迹的路径规划成为热门研究话题。现有工作中直接选择流行轨迹作为推荐路径的方法面临实际轨迹数据高度稀疏和不均匀的困难,而利用轨迹数据建立一个加权图进行路径搜索的方法面临司机选路多重偏好估计的困难。最近有研究提出采用图神经网络(Graph Neural Network,GNN),将最短路径问题表示为分类问题,即任给一个源宿对,判别每一节点/边“是否处于最短路径上”。本文拟利用GNN的非线性特征表达能力和多重特征融合能力,改进基于轨迹的路径规划。然而,大型道路网络实际轨迹数据的高度稀疏性和时空不均匀性,导致样本量严重不足,加剧正负类别的极度不平衡,为运用GNN进行基于轨迹的路由学习带来挑战。本文基于对轨迹数据的特征分析,提出了引入长短期记忆网络(LSTM)扩展GNN深度的LSTM-GN模型,从而加强多层次轨迹特征信息的融合和扩散,克服稀疏性和不平衡性带来的影响,实现有效的小样本学习。本文进一步利用真实轨迹数据验证了算法的有效性和泛化能力。本文具体贡献如下。(1)本文对地图数据与轨迹数据进行数据处理与数据挖掘。本文基于地图数据构建用于路径规划的道路网络。基于道路网络,本文对原始轨迹数据进行地图匹配,进而从多个维度对轨迹数据进行数据挖掘,发现反映用户选路偏好特征。且本文利用Dijkstra路由选择算法评估了不同特征对路径规划算法的有效性。(2)本文提出一种图神经网络模型LSTM-GN学习司机选路规律。针对轨迹稀疏性和时空不均匀性问题,引入深层LSTM堆叠GN消息传递模块增强特征信息融合与传递,从而实现基于少量轨迹数据的小样本路由学习。为解决正负类别不平衡问题,设计了动态加权损失函数来加强正类别,并提出了子图筛选算法,以间接实现负类别下采样。(3)本文基于真实轨迹数据集进行实验验证了LSTM-GN算法性能。LSTM-GN利用少量轨迹数据样本(少于一万条)的节点级别特征、边级别特征和图级别特征学习轨迹路由,支持在道路网络中进行端到端的路径规划。实验结果证明了模型的有效性,其中LSTM-GN的F1值比最短路算法(传统图论算法baseline)高33.25%,轨迹接受比例比其高61.61%;LSTM-GN的F1值比RGN模型(深度学习算法baseline)高18.82%,轨迹接受比例比其高20.42%。图19幅,表16个,参考文献72篇。