CN110942624B - 一种基于sae-gan-sad的路网交通数据修复方法 - Google Patents

一种基于sae-gan-sad的路网交通数据修复方法 Download PDF

Info

Publication number
CN110942624B
CN110942624B CN201911074617.7A CN201911074617A CN110942624B CN 110942624 B CN110942624 B CN 110942624B CN 201911074617 A CN201911074617 A CN 201911074617A CN 110942624 B CN110942624 B CN 110942624B
Authority
CN
China
Prior art keywords
data
encoder
generator
self
road
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.)
Active
Application number
CN201911074617.7A
Other languages
English (en)
Other versions
CN110942624A (zh
Inventor
徐东伟
魏臣臣
林臻谦
戴宏伟
彭鹏
周磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911074617.7A priority Critical patent/CN110942624B/zh
Publication of CN110942624A publication Critical patent/CN110942624A/zh
Application granted granted Critical
Publication of CN110942624B publication Critical patent/CN110942624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于SAE‑GAN‑SAD的路网交通数据修复方法，包括以下步骤：1)获取路网交通数据，构建堆栈自编码器并对道路交通数据进行特征提取；2)确定生成器与判别器的结构，共同构建成生成对抗网络模型，将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；3)获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复。本发明依据已知交通数据采用SAE‑GAN‑SAD模型对缺失数据进行实时修复，可以有效提高交通状态数据修复的精度。

Description

一种基于SAE-GAN-SAD的路网交通数据修复方法
技术领域
本发明涉及一种基于SAE-GAN-SAD的路网交通数据修复方法，本发明属于智能交通领域。
背景技术
道路交通流数据的完整性对智能交通系统中道路交通流预测与实时道路调控有着直接的影响。现实道路交通系统中，由于传感器故障以及各种不可抗因素造成的交通流数据缺失问题普遍存在。因此，道路交通流数据修复对智能交通系统的发展有着重要的意义。
现阶段的道路交通数据修复的方法主要有利用时间信息或者空间关系对缺失数据进行修复，利用时间相关性进行数据修复的常见算法有历史平均法，移动平均法，指数平滑法等；利用空间相关性进行数据修复的常见算法有基于灰色残差GM(1，N)算法，K最近邻算法等。但是大部分修复算法不能充分挖掘道路交通数据潜在的数据特征，因此数据修复精度不高。
发明内容
为了克服已有技术的不足，本发明提供一种基于SAE-GAN-SAD的路网交通数据修复的方法，根据路网实时数据，依据已知交通数据采用SAE-GAN-SAD模型对缺失数据进行实时修复，可以有效提高交通状态数据修复的精度。
本发明解决其技术问题所采用的技术方案是：
一种基于SAE-GAN-SAD的路网交通数据修复方法，包括以下步骤：
1)获取路网交通数据，构建堆栈自编码器，并对道路交通数据进行特征提取：获取路网中多条路段的道路交通状态数据，并根据多个自编码器构建堆栈自编码器，将路网交通数据作为堆栈自编码器的输入，提取道路交通状态数据时空特征；
2)构建生成对抗网络模型进行对抗训练：确定生成器与判别器的结构，共同构建成生成对抗网络模型，并将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；
3)根据生成器生成的时空特征重构修复后完整交通数据：获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复。
进一步，所述步骤1)的过程如下：
步骤1.1：获取交通状态数据
获取路网中n条路段的交通状态数据，记做X＝[X1,X2,...,Xn]，其中Xi＝[xi1,xi2,...,xiT](i＝1,2，…n)代表第i条路段共计T个时刻的交通状态数据，xit(t＝1,2,3,…，T)代表第i条路段在第t时刻的交通状态，利用一个掩模矩阵M记录交通状态数据缺失的状态，其中M＝[M1,M2,...,Mn]，Mi＝[mi1,mi2,...,miT]，mit表示第i条路段在第t时刻的交通状态数据是否缺失，表示如下：
Figure BDA0002262030470000021
记作含有缺失数据的交通状态数据为
Figure BDA0002262030470000022
其中*代表矩阵对应元素相乘；
步骤1.2：构建N(N≥2)层堆栈自编码器
N层堆栈自编码器的基本结构由N个自编码器堆栈构成，自编码器通过对输入数据的编码与解码过程获取输入数据的特征表达；
构建第一层自编码器，编码器与解码器分别记做a1，b1，输入交通状态数据X，经第一层编码器编码后得到第一层隐层特征h1，计算过程为：
h1＝a1(We1·X+be1) (1)
X*＝b1(Wd1·h1+bd1) (2)
其中X*近似等于X，代表经编码解码后的重构数据，We1，be1，Wd1，bd1代表模型训练参数，a1,b1分别代表编码器与解码器；
构建第i(2≤i≤N)层自编码器，将上一层自编码器获得的隐层特征hi-1作为该层自编码器的输入，并经过编码器ai与解码器bi操作后，得到第i层隐层特征hi；经过N层堆栈自编码器的编码解码操作后，得到N层堆栈自编码器提取的交通状态数据X的特征表达hN；
同时构建另一个N层堆栈自编码器提取缺失后数据
Figure BDA0002262030470000031
的N层特征表达
Figure BDA0002262030470000032
再进一步，所述步骤2)中，确定生成器G与判别器D的模型结构，并分别定义生成器与判别器的损失函数LG，LD，并将
Figure BDA0002262030470000033
作为生成器的输入数据，判别器的输入为生成器生成数据
Figure BDA0002262030470000034
或真实数据hN，判别器训练目标为区分出输入判别器的数据属于真实数据或者生成器生成数据，而生成器训练目标为让判别器将生成器生成数据判别成真实数据，训练过程采用WGAN，损失函数定义如下：
Figure BDA0002262030470000035
Figure BDA0002262030470000036
Figure BDA0002262030470000041
其中
Figure BDA0002262030470000042
分别代表生成数据与真实数据的第i个数据，i＝1,2,…,m,m代表输入数据hN经堆栈自编码器提取的特征个数。
所述步骤3)中，获取经过对抗训练得到的生成器生成特征数据
Figure BDA0002262030470000043
根据生成数据得到修复后的完整交通状态数据Xrec，计算过程如下：
Figure BDA0002262030470000044
Figure BDA0002262030470000045
其中
Figure BDA0002262030470000046
代表反向解码的第i层特征，bi代表在完整数据的堆栈自编码器中的第i层的解码器。
本发明中，获取路网交通数据，利用堆栈自编码器(SAE)对缺失数据提取道路交通状态时空特征，经过生成对抗网络(GAN)的对抗训练，根据缺失交通状态数据的时空特征生成完整交通流数据的时空特征，并将特征经堆栈自解码器(SAD)解码成修复后的完整交通流数据，实现道路交通状态数据的修复。
本发明的有益效果主要表现在：通过预先对缺失数据的道路交通状态数据进行时空特征提取，并利用生成对抗网络对提取的时空特征进行对抗训练，生成完整数据的时空特征，实现交通状态数据的修复，可以有效提高交通状态数据修复的精度。
附图说明
图1是堆栈自编码器模型结构图。
图2是SAE-GAN-SAD模型结构图。
图3是数据修复结果实例。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于SAE-GAN-SAD的路网交通数据修复的方法，所述方法包括以下步骤：
1)获取路网交通数据，构建堆栈自编码器，并对道路交通数据进行特征提取：获取路网中多条路段的道路交通状态数据，并根据多个自编码器构建堆栈自编码器，将路网交通数据作为堆栈自编码器的输入，提取道路交通状态数据时空特征；
2)构建生成对抗网络模型进行对抗训练：确定生成器与判别器的结构，共同构建成生成对抗网络模型，并将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；
3)根据生成器生成的时空特征重构修复后完整交通数据：获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复。
进一步，所述步骤1)的过程如下：
步骤1.1：获取交通状态数据
获取路网中n条路段的交通状态数据，记做X＝[X1,X2,...,Xn]，其中Xi＝[xi1,xi2,...,xiT](i＝1,2，…n)代表第i条路段共计T个时刻的交通状态数据，xit(t＝1,2,3,…，T)代表第i条路段在第t时刻的交通状态，利用一个掩模矩阵M记录交通状态数据缺失的状态，其中M＝[M1,M2,...,Mn]，Mi＝[mi1,mi2,...,miT]，mit表示第i条路段在第t时刻的交通状态数据是否缺失，表示如下：
Figure BDA0002262030470000061
记作含有缺失数据的交通状态数据为
Figure BDA0002262030470000062
其中*代表矩阵对应元素相乘；
步骤1.2：构建N(N≥2)层堆栈自编码器
N层堆栈自编码器的基本结构由N个自编码器堆栈构成，自编码器通过对输入数据的编码与解码过程获取输入数据的特征表达；
构建第一层自编码器，编码器与解码器分别记做a1，b1，输入交通状态数据X，经第一层编码器编码后得到第一层隐层特征h1，计算过程为：
h1＝a1(We1·X+be1) (1)
X*＝b1(Wd1·h1+bd1) (2)
其中X*近似等于X，代表经编码解码后的重构数据，We1，be1，Wd1，bd1代表模型训练参数，a1,b1分别代表编码器与解码器；
构建第i(2≤i≤N)层自编码器，将上一层自编码器获得的隐层特征hi-1作为该层自编码器的输入，并经过编码器ai与解码器bi操作后，得到第i层隐层特征hi；经过N层堆栈自编码器的编码解码操作后，得到N层堆栈自编码器提取的交通状态数据X的特征表达hN；
同时构建另一个N层堆栈自编码器提取缺失后数据
Figure BDA0002262030470000063
的N层特征表达
Figure BDA0002262030470000064
再进一步，所述步骤2)中，确定生成器G与判别器D的模型结构，并分别定义生成器与判别器的损失函数LG，LD，并将
Figure BDA0002262030470000065
作为生成器的输入数据，判别器的输入为生成器生成数据
Figure BDA0002262030470000066
或真实数据hN，判别器训练目标为区分出输入判别器的数据属于真实数据或者生成器生成数据，而生成器训练目标为让判别器将生成器生成数据判别成真实数据，训练过程采用WGAN，损失函数定义如下：
Figure BDA0002262030470000071
Figure BDA0002262030470000072
Figure BDA0002262030470000073
其中
Figure BDA0002262030470000074
分别代表生成数据与真实数据的第i个数据，i＝1,2,…,m,m代表输入数据hN经堆栈自编码器提取的特征个数。
所述步骤3)中，获取经过对抗训练得到的生成器生成特征数据
Figure BDA0002262030470000075
根据生成数据得到修复后的完整交通状态数据Xrec，计算过程如下：
Figure BDA0002262030470000076
Figure BDA0002262030470000077
其中
Figure BDA0002262030470000078
代表反向解码的第i层特征，bi代表在完整数据的堆栈自编码器中的第i层的解码器。
实例：实际实验中的数据，实施方案如下：
(1)选取实验数据
本实验数据集来源为加州运输性能测量系统(PeMS)，实验选取22条道路检测器的车流量数据，数据采样周期为5分钟，数据选取时间范围为2014年5月1日到2014年6月30日。
模型输入为22条道路一天的车流量数据，并且按照一定的缺失比例模拟数据缺失，缺失时刻车流量记为0；模型输出为修复后的22条道路一天的车流量数据。
(2)参数确定
堆栈自编码器由3个自编码器堆栈组成，隐层单元个数分别为2048,1024,512；生成器与判别器除输出层外，具有相同的模型结构，相同的模型结构为均为由3层神经单元构成，隐层神经元个数分别为256,128,64，每层隐藏层后均有激活函数Relu函数，函数表达式为f(z)＝max(0,z)，生成器的输出层激活函数为Sigmoid函数，函数表达式为
Figure BDA0002262030470000081
而判别器的输出层无激活函数；重构误差系数α＝100.
(3)实验结果
模型对缺失数据修复结果的评价指标包括均方根误差(MSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，计算方式分别为：
Figure BDA0002262030470000082
Figure BDA0002262030470000083
Figure BDA0002262030470000084
其中K代表缺失数据的个数，
Figure BDA0002262030470000085
分别代表第k个修复后的交通状态数据和真实数据，在不同的随机缺失比例下，模型对交通数据修复的实验结果如表1所示。
表1为不同缺失比例下模型修复结果分析
Figure BDA0002262030470000086
Figure BDA0002262030470000091
表1。

Claims (2)

1.一种基于SAE-GAN-SAD的路网交通数据修复的方法，其特征在于，所述方法包括以下步骤：
1)获取路网交通数据，构建堆栈自编码器，并对道路交通数据进行特征提取：获取路网中多条路段的道路交通状态数据，并根据多个自编码器构建堆栈自编码器，将路网交通数据作为堆栈自编码器的输入，提取道路交通状态数据时空特征；
2)构建生成对抗网络模型进行对抗训练：确定生成器与判别器的结构，共同构建成生成对抗网络模型，并将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；
3)根据生成器生成的时空特征重构修复后完整交通数据：获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复；
所述步骤1)的过程如下：
步骤1.1：获取交通状态数据
获取路网中n条路段的交通状态数据，记做X＝[X1,X2,...,Xi,...Xn]，其中Xi＝[xi1,xi2,...,xiT]代表第i条路段共计T个时刻的交通状态数据i＝1,2，…n，xit代表第i条路段在第t时刻的交通状态，t＝1,2,3,…，T，利用一个掩模矩阵M记录交通状态数据缺失的状态，其中M＝[M1,M2,...,Mn]，Mi＝[mi1,mi2,...,miT]，mit表示第i条路段在第t时刻的交通状态数据是否缺失，表示如下：
Figure FDA0002673468110000011
记作含有缺失数据的交通状态数据为
Figure FDA0002673468110000021
其中*代表矩阵对应元素相乘；
步骤1.2：构建N层堆栈自编码器，N≥2；
N层堆栈自编码器的基本结构由N个自编码器堆栈构成，自编码器通过对输入数据的编码与解码过程获取输入数据的特征表达；
构建第一层自编码器，编码器与解码器分别记做a1，b1，输入交通状态数据X，经第一层编码器编码后得到第一层隐层特征h1，计算过程为：
h1＝a1(We1·X+be1) (1)
X*＝b1(Wd1·h1+bd1) (2)
其中X*代表经编码解码后的重构数据，We1，be1，Wd1，bd1代表模型训练参数，a1,b1分别代表编码器与解码器；
构建第i层自编码器，2≤i≤N，将上一层自编码器获得的隐层特征hi-1作为该层自编码器的输入，并经过编码器ai与解码器bi操作后，得到第i层隐层特征hi；经过N层堆栈自编码器的编码解码操作后，得到N层堆栈自编码器提取的交通状态数据X的特征表达hN；
同时构建另一个N层堆栈自编码器提取缺失后数据
Figure FDA0002673468110000022
的N层特征表达
Figure FDA0002673468110000023
所述步骤2)中，确定生成器G与判别器D的模型结构，并分别定义生成器与判别器的损失函数LG，LD，并将
Figure FDA0002673468110000024
作为生成器的输入数据，判别器的输入为生成器生成数据
Figure FDA0002673468110000025
或真实数据hN，判别器训练目标为区分出输入判别器的数据属于真实数据或者生成器生成数据，而生成器训练目标为让判别器将生成器生成数据判别成真实数据，训练过程采用WGAN，损失函数定义如下：
Figure FDA0002673468110000026
Figure FDA0002673468110000027
Figure FDA0002673468110000028
其中
Figure FDA0002673468110000029
Figure FDA00026734681100000210
分别代表生成数据与真实数据的第i个数据，i＝1,2,…,m,m代表输入数据hN经堆栈自编码器提取的特征个数。
2.如权利要求1所述的基于SAE-GAN-SAD的路网交通数据修复的方法，其特征在于，所述步骤3)中，获取经过对抗训练得到的生成器生成特征数据
Figure FDA00026734681100000211
根据生成数据得到修复后的完整交通状态数据Xrec，计算过程如下：
Figure FDA0002673468110000031
Figure FDA0002673468110000032
其中
Figure FDA0002673468110000033
Figure FDA0002673468110000034
代表反向解码的第i层特征，bi代表在完整数据的堆栈自编码器中的第i层的解码器。
CN201911074617.7A 2019-11-06 2019-11-06 一种基于sae-gan-sad的路网交通数据修复方法 Active CN110942624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911074617.7A CN110942624B (zh) 2019-11-06 2019-11-06 一种基于sae-gan-sad的路网交通数据修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911074617.7A CN110942624B (zh) 2019-11-06 2019-11-06 一种基于sae-gan-sad的路网交通数据修复方法

Publications (2)

Publication Number Publication Date
CN110942624A CN110942624A (zh) 2020-03-31
CN110942624B true CN110942624B (zh) 2020-12-01

Family

ID=69906266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911074617.7A Active CN110942624B (zh) 2019-11-06 2019-11-06 一种基于sae-gan-sad的路网交通数据修复方法

Country Status (1)

Country Link
CN (1) CN110942624B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785014B (zh) * 2020-05-26 2021-10-29 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN112185104B (zh) * 2020-08-22 2021-12-10 南京理工大学 一种基于对抗自编码器的交通大数据修复方法
CN112309112B (zh) * 2020-09-10 2021-10-29 浙江工业大学 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN112330951B (zh) * 2020-09-11 2021-12-17 浙江工业大学 一种基于生成对抗网络实现路网交通数据修复的方法
CN112381303A (zh) * 2020-11-19 2021-02-19 北京嘀嘀无限科技发展有限公司 一种任务指标数据预测方法和系统
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
CN115019510B (zh) * 2022-06-29 2024-01-30 华南理工大学 一种基于动态自适应生成对抗网络的交通数据修复方法
CN117576918B (zh) * 2024-01-17 2024-04-02 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950483A (zh) * 2010-09-15 2011-01-19 青岛海信网络科技股份有限公司 交通数据故障的修复方法及装置
CN109544926A (zh) * 2018-12-06 2019-03-29 中国公路工程咨询集团有限公司 一种基于路口相关性的交通流量修复方法
CN109580215A (zh) * 2018-11-30 2019-04-05 湖南科技大学 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN110009529A (zh) * 2019-04-15 2019-07-12 湖南大学 一种基于堆栈降噪自动编码器的暂态频率获取方法
CN110147797A (zh) * 2019-04-12 2019-08-20 中国科学院软件研究所 一种基于生成式对抗网络的草图补全与识别方法和装置
CN110288824A (zh) * 2019-05-20 2019-09-27 浙江工业大学 基于Granger causality路网早晚高峰拥堵状况和传播机制分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950483A (zh) * 2010-09-15 2011-01-19 青岛海信网络科技股份有限公司 交通数据故障的修复方法及装置
CN109580215A (zh) * 2018-11-30 2019-04-05 湖南科技大学 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN109544926A (zh) * 2018-12-06 2019-03-29 中国公路工程咨询集团有限公司 一种基于路口相关性的交通流量修复方法
CN110147797A (zh) * 2019-04-12 2019-08-20 中国科学院软件研究所 一种基于生成式对抗网络的草图补全与识别方法和装置
CN110009529A (zh) * 2019-04-15 2019-07-12 湖南大学 一种基于堆栈降噪自动编码器的暂态频率获取方法
CN110288824A (zh) * 2019-05-20 2019-09-27 浙江工业大学 基于Granger causality路网早晚高峰拥堵状况和传播机制分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZipNet-GAN: Inferring Fine-grained Mobile Traffic Patterns via a Generative Adversarial Neural Network;Chaoyun Zhang 等;《CoNEXT"17》;20171231;第1-17页 *
基于压缩感知的道路交通参数修复方法研究;徐东伟 等;《交通运输系统工程与信息》;20131231;第13卷(第6期);第67-72页 *
基于深度学习的LSTM的交通流量预测;庞悦 等;《单片机与嵌入式系统应用》;20190331(第3期);第72-75页 *

Also Published As

Publication number Publication date
CN110942624A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110942624B (zh) 一种基于sae-gan-sad的路网交通数据修复方法
CN109801230B (zh) 一种基于编码器结构的图像修复方法
CN112330951B (zh) 一种基于生成对抗网络实现路网交通数据修复的方法
CN113962893A (zh) 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法
CN111562612B (zh) 一种基于注意力机制的深度学习微震事件识别方法及系统
CN112309112B (zh) 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN111612718A (zh) 一种引入注意力机制的人脸图像修复方法
CN111242377A (zh) 一种集成深度学习和数据去噪的短期风速预测方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN114638836B (zh) 基于高度有效驱动与多层级特征融合的城市街景分割方法
CN114419464A (zh) 一种基于深度学习的孪生网络变化检测模型
CN114970774A (zh) 一种智能变压器故障预测方法和装置
CN116309536A (zh) 一种路面裂缝检测方法及存储介质
CN116402766A (zh) 一种结合卷积神经网络和Transformer的遥感影像变化检测方法
CN115146700A (zh) 一种基于Transformer序列到序列模型的径流预测方法
CN116703885A (zh) 一种基于Swin Transformer的表面缺陷检测方法及系统
CN113033619A (zh) 一种基于dvgae-gan的交通路网数据修复方法
CN117096867A (zh) 一种短期电力负荷预测方法、装置、系统及存储介质
CN115393717A (zh) 基于进化混合注意力机制的sar图像房屋提取方法及系统
CN115294073A (zh) 基于知识蒸馏的纹理物体缺陷检测方法
CN114581789A (zh) 一种高光谱图像分类方法及系统
CN115331073A (zh) 一种基于TransUnet架构的影像自监督学习方法
CN113810226A (zh) 结合离散特征编码和聚类修正的广域网单点流量预测方法
CN116680525A (zh) 一种基于mae的交通路网数据修复方法
Shen et al. Learned image compression with transformers

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