CN110895878A - 一种基于ge-gan的交通状态虚拟检测器的生成方法 - Google Patents

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

一种基于GE-GAN的交通状态虚拟检测器的生成方法

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,…,v_n}，n＝|V|，

v_i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e_ij＝1，反之e_ij＝0；

步骤1.2：对G中的节点进行随机游走

选择节点v_i，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v_i∈V，计算其余节点在Φ(v_i)中出现的概率，优化函数表示为：

其中Φ∈R^d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(v_i)到网络中的节点v_j的唯一的路径表示，并且b₀＝Φ(v_i)，b_|log|V||＝v_j，φ(b_r)是b_r父节点的表示向量；

最终获取Φ(v_i)中概率最大的m个节点的交通状态数据X＝[x₁,x₂,...x_m]。

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：

其中

为第i个检测器在第t时刻的交通状态，min(x_i),max(x_i)分别表示第i个检测器交通状态数据的最小值与最大值，

为标准化后的交通状态数据，标准化操作后得到交通状态数据矩阵

选取邻接道路交通状态数据

其中l为选取数据的滑动窗口大小，

i＝1,2,3,…,m；

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S^t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L_G与判别器损失函数L_D：

L_G＝-D(G(S^t))+α·L_cons (6)

其中，L_cons为生成器生成数据与真实数据的重构误差，

分别为在第a时刻的生成数据与真实数据，α为重构误差系数，

为真实数据；

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：

其中

为在第k个时刻的真实交通状态数据，

为第k个时刻的生成对抗网络生成交通状态数据。

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,…,v_n}，n＝|V|，

v_i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e_ij＝1，反之e_ij＝0；

步骤1.2：对G中的节点进行随机游走

选择节点v_i，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v_i∈V，计算其余节点在Φ(v_i)中出现的概率，优化函数表示为：

其中Φ∈R^d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(v_i)到网络中的节点v_j的唯一的路径表示，并且b₀＝Φ(v_i)，b_|log|V||＝v_j，φ(b_r)是b_r父节点的表示向量；

最终获取Φ(v_i)中概率最大的m个节点的交通状态数据X＝[x₁,x₂,...x_m]。

3.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2)中，获取道路交通状态数据X并进行标准化操作，计算公式为：

其中

为第i个检测器在第t时刻的交通状态，min(x_i),max(x_i)分别表示第i个检测器交通状态数据的最小值与最大值，

为标准化后的交通状态数据，标准化操作后得到交通状态数据矩阵

选取邻接道路交通状态数据

其中l为选取数据的滑动窗口大小，

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S^t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。

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L_G与判别器损失函数L_D：

L_G＝-D(G(S^t))+α·L_cons (6)

其中，L_cons为生成器生成数据与真实数据的重构误差，

分别为在第a时刻的生成数据与真实数据，α为重构误差系数，

为真实数据；

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。

Images