CN110895878A - 一种基于ge-gan的交通状态虚拟检测器的生成方法 - Google Patents
一种基于ge-gan的交通状态虚拟检测器的生成方法 Download PDFInfo
- Publication number
- CN110895878A CN110895878A CN201910952268.8A CN201910952268A CN110895878A CN 110895878 A CN110895878 A CN 110895878A CN 201910952268 A CN201910952268 A CN 201910952268A CN 110895878 A CN110895878 A CN 110895878A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic state
- detector
- network
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种基于GE‑GAN的交通状态虚拟检测器的生成方法,包括以下步骤:1)根据检测器的位置与邻接关系构建道路检测器网络,利用图嵌入算法中的DeepWalk将检测器网络嵌入到低维表示向量,得到邻接道路交通状态矩阵;2)获取邻接道路交通状态数据矩阵,采用最大最小标准化算法对邻接道路交通状态矩阵进行数据归一化,分别确定生成器与判别器的模型结构,实现生成对抗网络模型构建;3)定义生成对抗网络的生成器与判别器的损失函数,将滑动窗口下的邻接道路交通状态数据作为生成对抗网络模型的输入,通过对抗训练最小化生成数据与真实数据分布之间的差异,生成虚拟检测器的道路交通状态。本发明有效降低道路交通状态检测器维护的成本。
Description
技术领域
本发明涉及一种基于图嵌入的生成对抗网络(GE-GAN)的交通状态虚拟检测器的生成方法,本发明属于智能交通领域。
背景技术
随着城市的迅速发展,道路上车辆的数量日益增加,过多的车辆造成的车辆拥堵问题日益严重。近年来,人工智能迅速发展,并且广泛应用到智能交通领域,如交通流量预测,拥堵预测等。大量准确的道路交通状态数据是智能交通系统实现交通状态准确预测的前提。道路交通状态的检测需要用到大量的检测器,而道路交通状态检测器布置与维护需要高昂的成本,因此设计出道路交通状态虚拟检测器用来获取道路交通状态数据有着非常重要的意义。
传统道路交通状态数据获取来自于布置在道路下方的各种线圈感应器,该检测器布置时不仅会对城市道路造成损坏,而且检测器的后期维护成本比较高昂。准确的交通状态预测的前提是大量的交通状态检测器获取的交通状态数据,因此大量的布置检测器的成本与维护检测器的成本是非常高昂的。本发明提出一种基于图嵌入的生成对抗网络生成虚拟检测器交通状态数据的方法,可以高效的生成精确地道路交通状态数据,并且可以减少大量的检测器维护成本。
发明内容
为了克服现有技术的道路交通状态检测器维护的成本较高的不足,本发明的目的在于提供一种基于GE-GAN的交通状态虚拟检测器的生成方法,有效降低道路交通状态检测器维护的成本。
本发明解决其技术问题所采用的技术方案是:
一种基于GE-GAN的交通状态虚拟检测器的生成方法,包括以下步骤:
1)构建道路检测器网络,基于图嵌入算法得到邻接道路交通状态矩阵;
根据检测器的位置与邻接关系,构建道路检测器网络,利用图嵌入算法中的DeepWalk将检测器网络嵌入到低维表示向量,并得到邻接道路交通状态矩阵;
2)对邻接道路状态矩阵进行数据预处理,并构建生成对抗网络模型;
获取邻接道路交通状态数据矩阵,采用最大最小标准化算法对邻接道路交通状态矩阵进行数据归一化操作,并分别确定生成器与判别器的模型结构,实现生成对抗网络模型构建;
3)定义生成对抗网络模型损失函数,并进行对抗训练生成虚拟检测器的道路交通状态数据;
分别定义生成对抗网络的生成器与判别器的损失函数,将滑动窗口下的邻接道路交通状态数据作为生成对抗网络模型的输入,通过对抗训练,最小化生成数据与真实数据分布之间的差异,从而生成虚拟检测器的道路交通状态。
本发明的技术构思为:构建道路检测器网络,利用图嵌入(GE)算法将道路检测器网络嵌入到低维空间中,利用低维空间表示向量选取虚拟检测器处最相似的邻近检测器数据矩阵,采用生成对抗网络基于邻接道路检测器数据矩阵生成虚拟检测器交通状态数据。虚拟检测器生成的数据与真实道路数据具有相同的数据分布特点,并且能够大大的减少道路检测器维护的成本。
本发明的有益效果为:
利用图嵌入算法构建道路网络并获取道路网络的低维表示向量,利用生成对抗网络通过邻接道路交通状态数据生成虚拟检测器交通状态数据。本发明在有效减少道路检测器维护成本的同时可以快速生成大量的道路交通状态数据。
附图说明
图1是GE-GAN网络模型结构图。
图2是生成对抗网络模型结构图。
图3是工作日生成数据与真实数据对比图(周五)。
图4是休息日生成数据与真实数据对比图(周日)。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图4,一种基于GE-GAN的交通状态虚拟检测器的生成方法,包括以下步骤:
1)构建道路检测器网络,基于图嵌入算法得到邻接道路交通状态矩阵,过程如下:
步骤1.1:构建道路检测器网络G=(V,E),其中V={v1,v2,…,vn},n=|V|,vi代表第i个检测器,每个检测器代表网络中的一个节点。E表示为检测器的邻接矩阵,若第i个传感器与第j个传感器相邻,则eij=1,反之eij=0;
步骤1.2:对G中的节点进行随机游走
选择节点vi,对该节点进行随机游走得到随机游走序列 其中代表第j次随机游走选择的节点,并且只能从的相邻节点中选择。对G中的每个节点均进行随机游走,随机游走序列的长度为k,并且每个节点随机游走重复的次数为η,最终得到随机游走序列矩阵其中H维度为n·η×k;
步骤1.3:采用SkipGram获取网络节点低维嵌入向量
选取网络中节点vi∈V,计算其余节点在Φ(vi)中出现的概率,优化函数表示为:
其中Φ∈Rd为映射函数,d为嵌入向量的维度大小,w为窗口大小,b=(b0,b1,b2...b|log|V||)为将网络中所有节点作为二叉树的叶节点构建的二叉树,从根节点Φ(vi)到网络中的节点vj的唯一的路径表示,并且b0=Φ(vi),b|log|V||=vj,φ(br)是br父节点的表示向量;
最终获取Φ(vi)中概率最大的m个节点的交通状态数据X=[x1,x2,...xm]。
2)对邻接道路状态矩阵进行数据预处理,并构建生成对抗网络模型:
获取道路交通状态数据X并进行标准化操作,计算公式为:
构建包含z层隐藏层的生成器G,每个隐藏层后均有激活函数f,构建包含z层隐藏层的判别器D,每个隐藏层后均有激活函数f'。将St作为生成器的输入数据,判别器的输入数据来源于生成器的输出与真实交通状态数据;
3)定义生成对抗网络模型损失函数,并进行对抗训练生成虚拟检测器的道路交通状态数据;
定义生成器损失函数LG与判别器损失函数LD:
LG=-D(G(St))+α·Lcons (6)
定义模型优化器,生成器输入滑动窗口下的邻接交通状态数据,并将生成器的输出与真实数据作为判别器的输入,通过构建的生成对抗网络不断进行对抗训练,生成器的目的是尽可能的生成真实数据,而判别器的目的为区分出输入数据是来自于生成器生成数据或者真实数据,模型不断训练,直至判别器区分不出数据输入来自于生成器生成数据或者真实数据。
实例:实际实验中的数据,过程如下:
(1)选取实验数据
实验数据集来自于加州运输性能测量系统(PeMS),实验选取24个虚拟检测器构建道路网络,车辆检测器站点(VDS)及编号如表1所示。
编号 | VDS | 编号 | VDS | 编号 | VDS |
1 | 763828 | 9 | 716421 | 17 | 760196 |
2 | 773656 | 10 | 716424 | 18 | 716440 |
3 | 760074 | 11 | 716476 | 19 | 716442 |
4 | 760080 | 12 | 760167 | 20 | 760226 |
5 | 716414 | 13 | 716427 | 21 | 760236 |
6 | 760101 | 14 | 716431 | 22 | 716449 |
7 | 760112 | 15 | 716433 | 23 | 718155 |
8 | 716419 | 16 | 760187 | 24 | 716453 |
表1
实验结果分析将VDS为760112的检测器站点作为虚拟检测器,利用周边站点数据用来生成760112的交通状态数据,并根据生成数据与真实数据的对比进行结果分析。
交通状态数据选取范围为2014年5月1日到2014年6月30日,选取车流量作为交通状态数据,每隔5分钟获取一个车流量数据,每个站点包含17568条交通状态数据,训练集与测试集划分比例为8:2。
(2)参数确定
在DeepWalk模型中,对每个站点随机游走重复的次数设置为10,每次随机游走的长度为30,嵌入向量的维度为64,选取的邻接道路检测器数量为2。
在生成对抗网络模型中,生成器与判别器均含有3个隐藏层,隐藏层的单元分别为512,256,128,生成器每层隐藏层后的激活函数为Relu函数,函数表达式为f(z)=max(0,z),输出层激活函数为Sigmoid函数,函数表达式为判别器的每层隐藏层后的激活函数为Relu函数,输出层无激活函数。选取数据的滑动窗口大小为12,重构损失误差系数设置为100。
(3)实验结果
模型评价指标选择均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。函数表达式分别为:
在结果分析中,将工作日与休息日的误差进行分别评价,工作日与休息日的虚拟检测器交通状态数据生成实验结果如图3,图4所示,实验指标如表2所示:
日期 | RMSE | MAE | MAPE(%) |
工作日 | 18.00 | 12.71 | 3.91 |
休息日 | 16.13 | 12.27 | 3.82 |
表2。
Claims (4)
1.一种基于GE-GAN的交通状态虚拟检测器的生成方法,其特征在于,所述方法包括以下步骤:
1)构建道路检测器网络,基于图嵌入算法得到邻接道路交通状态矩阵;
根据检测器的位置与邻接关系,构建道路检测器网络,利用图嵌入算法中的DeepWalk将检测器网络嵌入到低维表示向量,并得到邻接道路交通状态矩阵;
2)对邻接道路状态矩阵进行数据预处理,并构建生成对抗网络模型;
获取邻接道路交通状态数据矩阵,采用最大最小标准化算法对邻接道路交通状态矩阵进行数据归一化操作,并分别确定生成器与判别器的模型结构,实现生成对抗网络模型构建;
3)定义生成对抗网络模型损失函数,并进行对抗训练生成虚拟检测器的道路交通状态数据;
分别定义生成对抗网络的生成器与判别器的损失函数,将滑动窗口下的邻接道路交通状态数据作为生成对抗网络模型的输入,通过对抗训练,最小化生成数据与真实数据分布之间的差异,从而生成虚拟检测器的道路交通状态。
2.如权利要求1所述的一种基于GE-GAN的交通状态虚拟检测器的生成方法,其特征在于,所述步骤1)的过程如下:
步骤1.1:构建道路检测器网络G=(V,E),其中V={v1,v2,…,vn},n=|V|,vi代表第i个检测器,每个检测器代表网络中的一个节点,E表示为检测器的邻接矩阵,若第i个传感器与第j个传感器相邻,则eij=1,反之eij=0;
步骤1.2:对G中的节点进行随机游走
选择节点vi,对该节点进行随机游走得到随机游走序列 其中代表第j次随机游走选择的节点,并且只能从的相邻节点中选择,对G中的每个节点均进行随机游走,随机游走序列的长度为k,并且每个节点随机游走重复的次数为η,最终得到随机游走序列矩阵其中H维度为n·η×k;
步骤1.3:采用SkipGram获取网络节点低维嵌入向量
选取网络中节点vi∈V,计算其余节点在Φ(vi)中出现的概率,优化函数表示为:
其中Φ∈Rd为映射函数,d为嵌入向量的维度大小,w为窗口大小,b=(b0,b1,b2...b|log|V||)为将网络中所有节点作为二叉树的叶节点构建的二叉树,从根节点Φ(vi)到网络中的节点vj的唯一的路径表示,并且b0=Φ(vi),b|log|V||=vj,φ(br)是br父节点的表示向量;
最终获取Φ(vi)中概率最大的m个节点的交通状态数据X=[x1,x2,...xm]。
4.如权利要求1或2所述的一种基于GE-GAN的交通状态虚拟检测器的生成方法,其特征在于,所述步骤3)中,定义生成器损失函数LG与判别器损失函数LD:
LG=-D(G(St))+α·Lcons (6)
定义模型优化器,生成器输入滑动窗口下的邻接交通状态数据,并将生成器的输出与真实数据作为判别器的输入,通过构建的生成对抗网络不断进行对抗训练,生成器的目的是尽可能的生成真实数据,而判别器的目的为区分出输入数据是来自于生成器生成数据或者真实数据,模型不断训练,直至判别器区分不出数据输入来自于生成器生成数据或者真实数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952268.8A CN110895878B (zh) | 2019-10-09 | 2019-10-09 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952268.8A CN110895878B (zh) | 2019-10-09 | 2019-10-09 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895878A true CN110895878A (zh) | 2020-03-20 |
CN110895878B CN110895878B (zh) | 2020-10-30 |
Family
ID=69785862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910952268.8A Active CN110895878B (zh) | 2019-10-09 | 2019-10-09 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895878B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768625A (zh) * | 2020-07-01 | 2020-10-13 | 中国计量大学 | 一种基于图嵌入的交通道路事件预测方法 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN112101132A (zh) * | 2020-08-24 | 2020-12-18 | 西北工业大学 | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112614336A (zh) * | 2020-11-19 | 2021-04-06 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN113033619A (zh) * | 2021-03-04 | 2021-06-25 | 浙江工业大学 | 一种基于dvgae-gan的交通路网数据修复方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN115512548A (zh) * | 2022-11-22 | 2022-12-23 | 南京大学 | 一种路侧检测单元布设与道路交通稀疏感知方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995994B2 (en) * | 2006-09-22 | 2011-08-09 | Kineto Wireless, Inc. | Method and apparatus for preventing theft of service in a communication system |
CN107563543A (zh) * | 2017-08-11 | 2018-01-09 | 北京邮电大学 | 一种基于群体智能的城市交通优化服务方法与系统 |
CN109190648A (zh) * | 2018-06-26 | 2019-01-11 | Oppo(重庆)智能科技有限公司 | 模拟环境生成方法、装置、移动终端及计算机可读取存储介质 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN110018927A (zh) * | 2019-01-28 | 2019-07-16 | 北京工业大学 | 基于生成对抗网络的交通数据修复方法 |
DE102018201290A1 (de) * | 2018-01-29 | 2019-08-01 | Osram Gmbh | Verfahren zum erzeugen einer komprimierten version eines künstlichen neuronalen netzwerks sowie vorrichtung und speichermedium |
-
2019
- 2019-10-09 CN CN201910952268.8A patent/CN110895878B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995994B2 (en) * | 2006-09-22 | 2011-08-09 | Kineto Wireless, Inc. | Method and apparatus for preventing theft of service in a communication system |
CN107563543A (zh) * | 2017-08-11 | 2018-01-09 | 北京邮电大学 | 一种基于群体智能的城市交通优化服务方法与系统 |
DE102018201290A1 (de) * | 2018-01-29 | 2019-08-01 | Osram Gmbh | Verfahren zum erzeugen einer komprimierten version eines künstlichen neuronalen netzwerks sowie vorrichtung und speichermedium |
CN109190648A (zh) * | 2018-06-26 | 2019-01-11 | Oppo(重庆)智能科技有限公司 | 模拟环境生成方法、装置、移动终端及计算机可读取存储介质 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN110018927A (zh) * | 2019-01-28 | 2019-07-16 | 北京工业大学 | 基于生成对抗网络的交通数据修复方法 |
Non-Patent Citations (1)
Title |
---|
YONGDONG WANG等: "The Acquisition Approach of Reference Sequences of Road Traffic Running Characteristics", 《2016 IEEE INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA ANALYSIS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111768625A (zh) * | 2020-07-01 | 2020-10-13 | 中国计量大学 | 一种基于图嵌入的交通道路事件预测方法 |
CN112101132A (zh) * | 2020-08-24 | 2020-12-18 | 西北工业大学 | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112330952B (zh) * | 2020-09-14 | 2021-10-29 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112614336A (zh) * | 2020-11-19 | 2021-04-06 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN112614336B (zh) * | 2020-11-19 | 2021-12-07 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN113033619A (zh) * | 2021-03-04 | 2021-06-25 | 浙江工业大学 | 一种基于dvgae-gan的交通路网数据修复方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113487855B (zh) * | 2021-05-25 | 2022-12-20 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN115512548A (zh) * | 2022-11-22 | 2022-12-23 | 南京大学 | 一种路侧检测单元布设与道路交通稀疏感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110895878B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895878B (zh) | 一种基于ge-gan的交通状态虚拟检测器的生成方法 | |
CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN113610243B (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN106529721A (zh) | 一种深度特征提取的广告点击率预测系统及其预测方法 | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN113610286B (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111966823A (zh) | 一种面向标签噪声的图节点分类方法 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN114004137A (zh) | 一种多源气象数据融合与预处理方法 | |
CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN110766066B (zh) | 一种基于fnn的张量异质集成车联网缺失数据估计方法 | |
CN112712169A (zh) | 基于图卷积的全残差深度网络的模型建立方法及应用 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN112819208A (zh) | 一种基于特征子集耦合模型的空间相似性地质灾害预测方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |