CN115292295A - 一种基于多视角时空对抗框架的路网缺失数据修复方法 - Google Patents
一种基于多视角时空对抗框架的路网缺失数据修复方法 Download PDFInfo
- Publication number
- CN115292295A CN115292295A CN202210608937.1A CN202210608937A CN115292295A CN 115292295 A CN115292295 A CN 115292295A CN 202210608937 A CN202210608937 A CN 202210608937A CN 115292295 A CN115292295 A CN 115292295A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- matrix
- generator
- road network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 241000221096 Simmondsia chinensis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于多视角时空对抗框架的路网缺失数据修复方法。本方法包括如下四个步骤：1)数据收集：使用加州交通部的性能测量系统PEMS的交通数据作为数据来源，对原始数据进行预处理，经过筛选构造预处理后，得到实验所需的输入数据；2)时间视角特征提取：应用基于注意力机制的双向长短期记忆网络BiLSTM_ATT模型学习时间特征分布，通过时间生成器和鉴别器进行时间视角的数据插补；3)空间视角特征提取：应用图卷积网络GCN模型对路网的空间分布进行学习，通过空间生成器和鉴别器进行空间视角的数据插补；4)时空视角联合训练：结合2)和3)所得的结果进行综合处理，对缺失数据进行进一步时空特征联合训练，得到高质量的数据修复结果。
Description
技术领域
本发明涉及时空交通数据修复领域，对于基于交通数据的事故预测、风险预 警、交通流量预测等具有重要意义，有助于提升城市服务、建设智慧城市。
背景技术
随着信息通信技术的飞速发展，交通检测设备捕获的数据呈指数级增长，我 们对交通数据详细分析的要求也越来越高。交通监控数据分析可以帮助降低管理 成本并制定安全的城市规划策略；在城市服务中，公交和出租车服务是市民上下 班必不可少的，可以通过分析历史数据优化这些公共服务；对于商业组织来说， 交通数据分析可以帮助了解用户行为，从而达到为客户提供更好的商业服务和提 高商业竞争力的目的。例如，交通数据可以通过了解人类运动模式对商业区进行 选址；对于个人而言，通过分析历史大数据，可以很好地了解居民的行为。
我们通常通过道路传感器获取交通数据，这些数据对于智能交通系统的发展 至关重要。尤其是近年来，基于交通数据的深度学习建模方法大行其道，使我们 更加关注高质量的交通数据。但是，世界各国的传感器接收和传输不可避免地存 在数据丢失或数据损坏等问题。这就给基于完整数据的各种下游任务带来了挑战， 数据的缺失导致下游任务结果不理想。例如，基于加州交通部的性能测量系统 (Caltrans Performance MeasurementSystem,PEMS)的交通数据可以计算高速公 路使用和拥堵延误、测量和预测行驶时间、评估坡道计量方法以及验证交通理论， 但大多数情况下PEMS没有收到完整的样本。因此，非常有必要提出一种高效、 高质量的交通数据插补方法。
但是目前的各种基于深度学习的交通数据修复方法仍然存在两个主要缺点： 一是大多数方法都没有综合考虑现实路网的时空特征，仅仅根据路网的周期性、 单一的时间相关性或单一的空间相关性来修复数据，忽略了路网时空联合学习对 数据修复的影响；另一方面，大多数考虑到时空相关性的方法，只从时空视角出 发，进行时空模型的简单堆叠来学习路网特征，而没有单独详细分析时间视角和 空间视角对路网数据修复性能的影响。
发明内容
针对上述情况，本发明提出了一种新的基于深度学习的交通数据修复方法。 基于匹配真实路网的功能，提取交通路网的前后向时间相关性和不同路口的空间 分布相关性，我们设计具有两个生成器的生成对抗网络(Generative Adversarial Network,GAN)来逐步细化时间和空间特征的学习，实现了从时间、空间和时空 三个视角对缺失的交通数据进行修复，可以在很大程度上提高城市服务，对于基 于交通数据的下游任务具有重要意义。
本发明是通过以下技术方案达到上述目的：一种基于多视角时空对抗框架的 路网缺失数据修复方法，包括如下步骤：
(1)确定需要进行交通数据修复的路段，通过道路传感器采集该路段的原始 数据并进行预处理，以确保数据的规范化和可用性；
(2)基于采集的历史交通数据，捕获交通数据的时间特征，利用基于注意力 机制的双向长短期记忆网络(Bidirectional Long Short-Term Memory Network Based onAttention Mechanism,BiLSTM_ATT)模型学习时间特征分布，通过时间 生成器和鉴别器对其进行时间视角的数据插补；
(3)基于采集的历史交通数据，捕获交通数据的空间特征，利用图卷积网络(Graph Convolutional Network,GCN)模型对路网的空间分布进行学习，通过空 间生成器和鉴别器对其进行空间视角的数据插补；
(4)结合(2)和(3)所得的结果进行时空联合训练，实现从三个角度进行 数据修复，得到高质量的数据插补结果。
(5)利用上述交通数据修复模型修复采集路段的交通数据。
其中步骤(1)具体包括如下步骤：
1.1：构造交通流矩阵X，进行交通数据的归一化处理；
1.2：构造路网邻接矩阵S，基于采集的各条道路的空间相关性，将原始不同 路口关系数据处理成规范化的路网邻接矩阵；
1.3：构造缺失分布矩阵M，当前时刻道路检测器采集的值缺失则为0，存 在为1；
1.4：构造噪声矩阵Z，使网络模型随机化，产生随机分布，避免生成对抗网 络(Generative Adversarial Network,GAN)模式坍塌；
1.5：构造指示矩阵H，保证GAN在对抗过程中的结果是期望的目标分布， 计算公式如下：
H＝X⊙M+0.5(1-M) (1)
其中⊙为哈达玛乘积，X为交通流矩阵，M为缺失分布矩阵。
其中步骤(2)具体包括如下步骤：
2.1：基于步骤(1)中所得到交通流数据，构造长短期记忆网络(Long Short- TermMemory Network,LSTM)，通过学习交通数据的时间特性，模拟生成与真实 数据相似的样本。LSTM模型可以根据门的状态丢弃或者增加信息，LSTM通过 下面的公式进行门和单元的信息更新：
其中W矩阵表示网络参数，tanh()表示双曲正切函数，σ()表示sigmoid 函数，ht表示隐藏状态，
表示调整门，⊙表示哈达玛积运算。
2.2：通过反向LSTM进行特征提取，对交通流数据进行逆时序处理，再将 前向和后向的输出向量进行拼接后得到该时刻的最终特征表达；
2.3：针对2.1和2.2构建的双向长短期记忆网络(BiLSTM)模型处理后的 结果，计算每个时序的权重，然后对所有时序的向量进行加权求和来作为特征向 量，由此产生时间生成器的输出，计算公式如下：
其中矩阵U表征为经过BiLSTM模型学习后的输出，wα∈dN在训练中作为 训练参数。U首先经非线性激活函数激活，然后使用注意力机制(加权求和的软 性注意力)得到更进一步的表示，α∈dT代表注意力分布，α可以理解为U中的 T个向量分别受关注的程度。γ＝UαT∈dN实际上是基于注意力分布对各个隐状 态进行加权求和。
2.4：根据2.1、2.2和2.3构成了BiLSTM_ATT模型，其作为时间生成器GT的内核，时间生成器与鉴别器共同模拟了路网时间特征分布学习，时间生成器损 失LG1计算公式如下：
其中β是超参数，H表征为指示矩阵。
其中步骤(3)具体包括如下步骤：
3.1：对步骤(2)得到的插补结果进行预处理，计算公式如下：
其中X为源数据，M为缺失分布矩阵，XBiLSTM_ATT为步骤(2)的数据插补结 果。
3.2：按照3.1中所得到插补数据
构造GCN所需要的节点特征，将
数 据经过GCN模型的处理，最终得到嵌入了空间特征学习的交通数据插补结果 XGCN，计算公式如下：
其中
表征为时间生成器GT的修复结果，fc为全连接操作，relu为激活函 数，conv1和conv2是对数据进行卷积操作，卷积公式如下：
其中
S表示邻接矩阵，IN表示单位矩阵，D是度矩阵 D＝∑jSij，λ是L矩阵的最大特征值，Tk(·)表示k阶切比雪夫多项式，θ表示 切比雪夫系数的向量。
3.3：根据3.1和3.2构成了空间生成器GS的内核，空间生成器与鉴别器共同 模拟了路网空间特征分布学习，空间生成器损失LG2计算公式如下：
其中X为源数据，D为鉴别器，H为指示矩阵，β表示超参数，M为缺失 分布矩阵，XGCN为步骤(3)的数据插补结果。
其中步骤(4)具体包括如下步骤：
4.1：对步骤(2)(3)的插值数据进行预处理，计算公式如下：
其中⊙表征哈达玛乘积，X为源数据，XGCN表征为空间生成器GS的修复结 果，M为缺失分布矩阵。
4.2：对4.1得到的时空修复数据进行时空鉴别器判别真伪，鉴别器损失计算 公式如下：
4.3：最终整体模型实现minmax目标为：
重复(2)、(3)和(4)的步骤，使得生成器和判别器不断优化，在相互博弈 中达到动态平衡，从而实现高精度的交通数据修复效果。
最终，本发明实现了对路网缺失数据的有效修复，对于提高城市服务质量具 有重要意义。
本发明的创新之处在于：
(1)提出了多视角时空学习策略，从时间、空间、时空三个视角综合分析时 空特征，最大限度地利用多视角训练来修复路网数据。
(2)设计了两个具有独立参数的生成器来分阶段捕获时间和空间特征。多阶 段时空特征插补使模型更加灵活。
(3)首次将GAN，GCN，BiLSTM和注意力机制结合应用到交通流数据插 补的场景中。
附图说明
图1是本发明的整体流程图
图2是本发明所使用的BiLSTM_ATT时间模型流程图
图3是本发明所使用的GCN空间模型流程图
图4是本发明实例中本发明与其他方法在均方根误差(RMSE)评估指标下的 效果对比图
图5是本发明实例中本发明与其他方法在平均绝对误差(MAE)评估指标下 的效果对比图
具体实施方法
下面结合美国加州高速公路发现实例对本发明进行进一步描述。
本实例中的交通数据修复方法整体框架如图1所示，具体包括以下步骤：
(1)确定需要进行交通数据修复的路段，通过道路传感器采集该路段的原 始数据并进行预处理，以确保数据的规范化和可用性：
从PEMS官网获取公开数据集PEMS04和PEMS08，然后对数据进行预处 理，构造出我们需要的初始化数据，本发明所用到的数据集统计如表1所示，其 中数据采集周期为两个月，检测器每间隔五分钟采集一条数据，每天288条数据， 本发明主要在交通流特征上进行了数据修复实验，前80％数据用作训练集，后20％数据用作测试集，具体信息如下：
表1
(2)使用预处理的数据，捕获交通数据的时间特征，利用BiLSTM_ATT模 型学习时间特征分布，BiLSTM_ATT结构如图2所示，通过时间生成器和鉴别 器对其进行时间视角的数据插补：
2.1：基于步骤(1)中所得到交通流数据，构造长短期记忆网络(LSTM)， 通过学习交通数据的时间特性，模拟生成与真实数据相似的样本。LSTM存储单 元由遗忘门ft、输入门it、输出门ot控制，可以根据门的状态丢弃或者增加信息， 它们通过下面的公式进行门和单元的信息更新：
其中xt＝(x1t,x2t,...,xNt)表示变量的第t个时间间隙所有路口观察值，W矩阵 表示网络参数。
2.2：通过反向LSTM进行特征提取，交通数据的前向时间信息和后向时间 信息都可能对当前时刻的交通状态产生一定影响，本发明通过反向LSTM对交 通流数据进行逆时序处理，再将前向和后向的输出向量进行拼接后得到该时刻的 最终特征表达；
2.3：通过BiLSTM模型处理后，将结果置入Attention层进行噪声信息与重 点信息的筛选。Attention层可以有效捕捉道路传感器在不同时间点之间的关系， 从而更好地捕获交通路网的时间特征。具体是通过计算每个时序的权重，然后对 所有时序的向量进行加权求和来作为特征向量，由此产生时间生成器的输出，计 算公式如下：
其中矩阵U＝[u1,u2,...,uT]∈dN*T(T为时间长度)，这里ut＝BiLSTM(xt)， xt＝(x1t,x2t,...,xNt)表示变量的第t个时间间隙所有路口观察值。
2.4：根据2.1、2.2和2.3构成了BiLSTM_ATT模型，其作为时间生成器GT的内核，时间生成器与鉴别器共同模拟了交通路网时间特征分布。在训练过程中， 采用MSE作为损失函数，Adam作为优化函数，在模型的循环迭代中loss逐渐降 低至趋于稳定，时间生成器损失LG1计算公式如下：
(3)捕获交通数据的空间特征，利用GCN模型对路网的空间分布进行学习， 通过空间生成器和鉴别器对其进行空间视角的数据插补：
3.1：对步骤(2)得到的插补结果进行预处理，保留具有真实值的位置，并 将生成的数据填充到缺失位置，从而提高观察值对模型的引导力，计算公式如下：
3.2：按照3.1中所得到插补数据
构造图卷积神经网络(GCN)所需要的 节点特征和邻接矩阵，GCN模型结构如图3所示。在训练过程中，采用MSE作 为损失函数，Adam作为优化函数，在模型的循环迭代中loss逐渐降低至趋于稳 定。将
数据经过GCN模型的处理，最终得到嵌入了空间特征学习的交通流插 补结果XGCN，计算公式如下：
3.3：根据3.1和3.2构成了空间生成器GS的内核，空间生成器与鉴别器共同 模拟了独立的路网空间特征分布学习，空间生成器损失LG2计算公式如下：
(4)结合步骤(2)和(3)所得的结果进行时空联合训练，实现从三个角度 进行数据修复。在模型的训练过程中，我们采用Adam梯度下降算法进行参数优 化和学习率调整，得到高质量的数据插补结果：
4.1：对时间生成器与空间生成器模拟的交通流数据进行预处理，计算公式如 下：
4.2：对预处理后的交通流数据进行时空鉴别器判别真伪，鉴别器损失计算公 式如下：
4.3：最终整体模型实现minmax目标为：
重复(2)、(3)和(4)的步骤，使得生成器和判别器不断优化，在相互博弈 中达到动态平衡，从而实现高精度的交通数据修复效果。
(5)利用上述交通数据修复模型修复采集路段的交通数据。
最终，本发明实现了对路网缺失数据的有效修复，图4展示的是不同方法在PEMS04数据集和均方根误差(RMSE)评价指标下的对比图，图5展示的是不 同方法在PEMS08数据集和平均绝对误差(MAE)评价指标下的对比图。经过 对比其它算法，可以发现本发明提出的基于多视角时空对抗框架方法(MST-GAN) 在数据修复方面相较于其它方法具有一定的优势，对于提高城市服务质量、构建 智慧城市、推进交通事业的发展具有重要意义。
Claims (5)
1.一种基于多视角时空对抗框架的路网缺失数据修复方法，其特征在于包括如下步骤：
(1)确定需要进行交通数据修复的路段，通过道路传感器采集该路段的原始数据并进行预处理，以确保数据的规范化和可用性；
(2)基于采集的历史交通数据，捕获交通数据的时间特征，利用基于注意力机制的双向长短期记忆网络(Bidirectional Long Short-Term Memory Network Based onAttention Mechanism,BiLSTM_ATT)模型学习时间特征分布，通过时间生成器和鉴别器对其进行时间视角的数据插补；
(3)基于采集的历史交通数据，捕获交通数据的空间特征，利用图卷积网络(GraphConvolutional Network,GCN)模型对路网的空间分布进行学习，通过空间生成器和鉴别器对其进行空间视角的数据插补；
(4)结合(2)和(3)所得的结果进行时空联合训练，实现从三个角度进行数据修复，得到高质量的数据插补结果。
(5)利用上述交通数据修复模型修复采集路段的交通数据。
2.如权利要求1所述的一种基于多视角时空对抗框架的路网缺失数据修复方法，其特征在于：所述步骤(1)具体包括如下步骤：
1.1：构造交通流矩阵X，进行交通数据的归一化处理；
1.2：构造路网邻接矩阵S，基于采集的各条道路的空间相关性，将原始不同路口关系数据处理成规范化的路网邻接矩阵；
1.3：构造缺失分布矩阵M，当前时刻道路检测器采集的值缺失则为0，存在为1；
1.4：构造噪声矩阵Z，使网络模型随机化，产生随机分布，避免生成对抗网络(Generative Adversarial Network,GAN)模式坍塌；
1.5：构造指示矩阵H，保证GAN在对抗过程中的结果是期望的目标分布，计算公式如下：
H＝X⊙M+0.5(1-M) (1)
其中⊙为哈达玛乘积，X为交通流矩阵，M为缺失分布矩阵。
3.如权利要求1所述的一种基于多视角时空对抗框架的路网缺失数据修复方法，其特征在于：所述步骤(2)具体包括如下步骤：
2.1：基于步骤(1)中所得到交通流数据，构造长短期记忆网络(Long Short-TermMemory Network,LSTM)，通过学习交通数据的时间特性，模拟生成与真实数据相似的样本。LSTM模型可以根据门的状态丢弃或者增加信息，LSTM通过下面的公式进行门和单元的信息更新：
其中W矩阵表示网络参数，tanh()表示双曲正切函数，σ()表示sigmoid函数，ht表示隐藏状态，
表示调整门，⊙表示哈达玛积运算。
2.2：通过反向LSTM进行特征提取，对交通流数据进行逆时序处理，再将前向和后向的输出向量进行拼接后得到该时刻的最终特征表达；
2.3：针对2.1和2.2构建的双向长短期记忆网络(BiLSTM)模型处理后的结果，计算每个时序的权重，然后对所有时序的向量进行加权求和来作为特征向量，由此产生时间生成器的输出，计算公式如下：
其中矩阵U表征为经过BiLSTM模型学习后的输出，wα∈dN在训练中作为训练参数。U首先经非线性激活函数激活，然后使用注意力机制(加权求和的软性注意力)得到更进一步的表示，α∈dT代表注意力分布，α可以理解为U中的T个向量分别受关注的程度。γ＝UαT∈dN实际上是基于注意力分布对各个隐状态进行加权求和。
2.4：根据2.1、2.2和2.3构成了BiLSTM_ATT模型，其作为时间生成器GT的内核，时间生成器与鉴别器共同模拟了路网时间特征分布学习，时间生成器损失LG1计算公式如下：
其中β是超参数，H表征为指示矩阵。
4.如权利要求1所述的一种基于多视角时空对抗框架的路网缺失数据修复方法，其特征在于：所述步骤(3)具体包括如下步骤：
3.1：对步骤(2)得到的插补结果进行预处理，计算公式如下：
其中X为源数据，M为缺失分布矩阵，XBiLSTM_ATT为步骤(2)的数据插补结果。
3.2：按照3.1中所得到插补数据
构造GCN所需要的节点特征，将
数据经过GCN模型的处理，最终得到嵌入了空间特征学习的交通数据插补结果XGCN，计算公式如下：
其中
表征为时间生成器GT的修复结果，fc为全连接操作，relu为激活函数，conv1和conv2是对数据进行卷积操作，卷积公式如下：
其中
S表示邻接矩阵，IN表示单位矩阵，D是度矩阵D＝∑jSij，λ是L矩阵的最大特征值，Tk(·)表示k阶切比雪夫多项式，θ表示切比雪夫系数的向量。
3.3：根据3.1和3.2构成了空间生成器GS的内核，空间生成器与鉴别器共同模拟了路网空间特征分布学习，空间生成器损失LG2计算公式如下：
其中X为源数据，D为鉴别器，H为指示矩阵，β表示超参数，M为缺失分布矩阵，XGCN为步骤(3)的数据插补结果。
5.如权利要求1所述的一种基于多视角时空对抗框架的路网缺失数据修复方法，其特征在于：所述步骤(4)具体包括如下步骤：
4.1：对步骤(2)(3)的插值数据进行预处理，计算公式如下：
其中⊙表征哈达玛乘积，X为源数据，XGCN表征为空间生成器GS的修复结果，M为缺失分布矩阵。
4.2：对4.1得到的时空修复数据进行时空鉴别器判别真伪，鉴别器损失计算公式如下：
4.3：最终整体模型实现min max目标为：
重复(2)、(3)和(4)的步骤，使得生成器和判别器不断优化，在相互博弈中达到动态平衡，从而实现高精度的交通数据修复效果。
最终，本发明实现了对路网缺失数据的有效修复，对于提高城市服务质量具有重要意义。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210608937.1A CN115292295A (zh) | 2022-05-31 | 2022-05-31 | 一种基于多视角时空对抗框架的路网缺失数据修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210608937.1A CN115292295A (zh) | 2022-05-31 | 2022-05-31 | 一种基于多视角时空对抗框架的路网缺失数据修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115292295A true CN115292295A (zh) | 2022-11-04 |
Family
ID=83820448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210608937.1A Pending CN115292295A (zh) | 2022-05-31 | 2022-05-31 | 一种基于多视角时空对抗框架的路网缺失数据修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115292295A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542438A (zh) * | 2023-03-28 | 2023-08-04 | 大连海事大学 | 一种基于无基准真相的公交乘客起止点估计修补方法 |
-
2022
- 2022-05-31 CN CN202210608937.1A patent/CN115292295A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542438A (zh) * | 2023-03-28 | 2023-08-04 | 大连海事大学 | 一种基于无基准真相的公交乘客起止点估计修补方法 |
| CN116542438B (zh) * | 2023-03-28 | 2024-01-30 | 大连海事大学 | 一种基于无基准真相的公交乘客起止点估计修补方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886358B (zh) | 基于多时空信息融合卷积神经网络的人体行为识别方法 | |
| 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 | |
| Zhang et al. | Temperature forecasting via convolutional recurrent neural networks based on time-series data | |
| CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
| CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
| CN111785014B (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
| CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
| CN111325579A (zh) | 一种广告点击率预测方法 | |
| CN110570363A (zh) | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN112580782A (zh) | 基于通道增强的双注意力生成对抗网络及图像生成方法 | |
| CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
| CN115223049B (zh) | 面向电力场景边缘计算大模型压缩的知识蒸馏与量化方法 | |
| CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
| CN113965659B (zh) | 基于网络对网络的训练hevc视频隐写分析方法、系统 | |
| CN114495507A (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
| CN115292295A (zh) | 一种基于多视角时空对抗框架的路网缺失数据修复方法 | |
| CN112242002A (zh) | 基于深度学习的物体识别和全景漫游方法 | |
| CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
| CN110866445A (zh) | 一种基于深度学习的人群计数和密度估计方法 | |
| Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN116682178A (zh) | 密集场景下的多人姿态检测方法 | |
| CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 | |
| CN115561834A (zh) | 基于人工智能气象短临预报一体机 |
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 |