CN115985086A - 一种交通数据补全方法、系统、终端以及存储介质 - Google Patents

一种交通数据补全方法、系统、终端以及存储介质 Download PDF

Info

Publication number
CN115985086A
CN115985086A CN202111198114.8A CN202111198114A CN115985086A CN 115985086 A CN115985086 A CN 115985086A CN 202111198114 A CN202111198114 A CN 202111198114A CN 115985086 A CN115985086 A CN 115985086A
Authority
CN
China
Prior art keywords
traffic data
road
time
traffic
node
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
Application number
CN202111198114.8A
Other languages
English (en)
Inventor
赵娟娟
黄旭吉
徐敏贤
高希彤
叶可江
须成忠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111198114.8A priority Critical patent/CN115985086A/zh
Publication of CN115985086A publication Critical patent/CN115985086A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种交通数据补全方法、系统、终端以及存储介质。包括：根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；将所述节点空间特征输入GRU‑CCN模型，通过所述GRU‑CCN模型提取交通数据的全局时空特征；利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。本发明能够更全面的提取全网交通状态时空相关性，从而对缺失交通数据进行精确补全。

Description

一种交通数据补全方法、系统、终端以及存储介质
技术领域
本申请属于智能交通技术领域，特别涉及一种交通数据补全方法、系统、终端以及存储介质。
背景技术
近年来，随着感知技术的发展，可以通过地感线圈、摄像头等各类感知设备直接或间接采集城市道路交通状态信息，或基于浮动车的移动定位设备获取车辆所经过道路的速度信息。然而，在真实环境中，由于成本受限(采集设备覆盖率低、采样频率低)、不可预知的硬件错误(通信中断、软硬件故障)、以及数据分布的不均衡和偶发性等问题，依然存在大量道路交通状态无法获取的情况。不完整的交通数据会降低后期交通数据分析的精度，进而影响交通决策的有效制定。
传统的交通数据补全方法包括基于时空临近性的插值算法、基于预测模型的补全算法和基于低秩假设张量分解补全方法。这些方法归属于判别模型，建立在理想假设之上，且只考虑到局部因素对目标交通状态的影响，无法在缺失率较高且复杂的城市路网场景下对交通状态做补全。目前，借助深度生成模型良好的全局隐含特征建模和数据生成能力，已有部分研究工作将其应用于交通数据补全问题上。然而，现有的基于深度生成模型的交通数据补全方法由于所考虑的影响因素不足、数据组织方式缺乏关联表达、数据时空关联学习能力受限等原因使得补全精度有待进一步提升，具体不足表现如下：
(1)交通状态影响因素考虑片面，影响交通状态的补全效果。交通状态受到多方面因素影响，例如道路特征(车道数量、车道宽度、附近道路连接情况、交叉口特征)、动态交通流量分布、天气等因素。但现有方法大多只考虑道路之间的临近关系及采集到的部分道路状态。
(2)数据组织缺乏语义表达。现有数据补全方法将交通状态组织成向量或张量，并将其作为补全模型的输入单元。基于这种数据结构作为输入的模型，难以在数据量有限的情况下，支持道路之间受多因素影响下的复杂空间关联性学习。
(3)动态关联关系建模能力弱。道路之间的交通状态受多种因素影响呈现动态复杂道路间的关联性，虽然目前一些基于交通状态预测方法使用了图卷积神经网络通过聚合邻居道路交通状态来建模道路间的空间关联性。但是其主要基于道路的邻居关系使用相对固定的权重来衡量道路之间的相关程度，忽略了道路的交通状态受道路自身物理特征等多方面因素影响所呈现的动态的关联关系或关联程度。
发明内容
本申请提供了一种交通数据补全方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种交通数据补全方法，包括：
根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；
利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；
将所述节点空间特征输入GRU-CCN模型，通过所述GRU-CCN模型提取交通数据的全局时空特征；
利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；
根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。
本申请实施例采取的技术方案还包括：所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：
获取监测区域的道路网络图G＝(V，E，FV)，其中V＝{v1，v2，…，vN}是图的顶点集，表示监测区域内的道路集合；FV为道路的物理特征集合，所述物理特征包括道路等级、车道数、限速情况、道路长度或道路宽度；E是节点之间的边集；
获取所述监测区域内各道路的历史交通数据，根据所述历史交通数据计算相邻道路之间的交通状态变化趋势，并判断各道路之间是否具有相关性，将所述相关性计算结果作为所述道路网络图中各节点的边特征；
基于所述道路网络图和各道路之间的边特征构造交通状态关系图。
本申请实施例采取的技术方案还包括：所述将所述相关性计算结果作为所述道路网络图中各节点的边特征具体为：
Figure BDA0003303870580000041
其中，fs为相邻道路vi和vj之间的边eij的边特征，
Figure BDA0003303870580000042
Figure BDA0003303870580000043
和
Figure BDA0003303870580000044
分别表示相邻道路vi和vj在时间段t时历史交通数据具有相似变化趋势的次数，Totalcnt表示历史交通数据的采集次数。
本申请实施例采取的技术方案还包括：所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：
将一天划分为具有相同间隔的T个时间段{t1，t2，…，t|T|}；
针对一天中的1～T个时间段构造一个时间序列
Figure BDA0003303870580000045
根据所述时间序列
Figure BDA0003303870580000046
构造交通状态关系图
Figure BDA0003303870580000047
Figure BDA0003303870580000048
其中
Figure BDA0003303870580000049
为边特征，N表示节点数量，DE的值为2，(FE)i，j为边eij的边特征；
Figure BDA00033038705800000410
表示节点在时间t的交通数据。
本申请实施例采取的技术方案还包括：所述利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征包括：
给定交通状态关系图Gt，节点i和节点j的交通数据分别为
Figure BDA00033038705800000411
Figure BDA00033038705800000412
和
Figure BDA00033038705800000413
边特征为
Figure BDA00033038705800000414
通过线性变换将输入的交通数据转换到高维特征，包括
Figure BDA00033038705800000415
Figure BDA00033038705800000416
其中W1是一个矩阵，用于对
Figure BDA00033038705800000417
和
Figure BDA00033038705800000418
降维；其中wij＝a(zi，zj，zij)，a是一个单层前向神经网络，由一个权重向量
Figure BDA0003303870580000051
参数化；
执行自注意力
Figure BDA0003303870580000052
计算注意力系数，所述注意力系数表明节点j的交通数据对节点i的重要性；所述注意力系数表示为：
Figure BDA0003303870580000053
其中·T表示转置，||表示连接操作；
计算注意力系数与对应交通数据的线性组合，得到每个节点的特征向量
Figure BDA0003303870580000054
其中σ表示非线性操作；
假设所述图注意力模型包括K个注意力层，将K个注意力层生成的特征向量进行拼接：
Figure BDA0003303870580000055
得到节点i在T个时间段的空间特征表示序列
Figure BDA0003303870580000056
本申请实施例采取的技术方案还包括：所述GRU-CCN模型包括双向GRU网络和CNN卷积网络，所述通过GRU-CCN模型提取交通数据的全局时空特征包括：
将所述空间特征表示序列
Figure BDA0003303870580000057
输入双向GRU网络，所述双向GRU网络分别在时间维以顺序
Figure BDA0003303870580000058
和逆序
Figure BDA0003303870580000059
依次处理输入的空间特征表示序列，并输出包含输入序列中当前时刻在过去和未来的上下文语义信息的时间序列依赖性向量表示；
通过所述CNN卷积网络从空间特征表示序列
Figure BDA00033038705800000510
中提取各个时间段与其相邻时间段之间的强依赖关系，输出各个时间段与相邻时段的序列依赖性向量表示；
将所述双向GRU网络和CNN卷积网络的输出结果进行拼接，得到道路i在时间段t的全局时空特征表示。
本申请实施例采取的技术方案还包括：所述利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据包括：
获取道路在各个时间段的时间属性，并将所述时间属性进行离散化处理；所述时间属性包括星期几、一天所在时段、节假日、工作日或周末；
将所述离散化处理后的时间属性与所述全局时空特征一起输入多层全连接网络进行解码，得到所述道路在对应时间段的交通数据解码结果。
本申请实施例采取的另一技术方案为：一种交通数据补全系统，包括：
图构建模块：用于根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；
空间特征提取模块：用于利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；
时刻特征提取模块：用于将所述节点空间特征输入GRU-CCN模型，通过所述GRU-CCN模型提取交通数据的全局时空特征；
数据解码模块：用于利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；
数据补全模块：用于根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述交通数据补全方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制交通数据补全。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述交通数据补全方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的交通数据补全方法、系统、终端以及存储介质通过将道路交通状态以及相关影响因素构建为更富有语义表达的交通状态关系图，基于交通状态关系图，通过自编解码深度神经网络进行编解码，在编码阶段利用扩展的图注意力机制GAT模型以及双向GRU-CNN模型提取交通数据的全局空间相关性和短期依赖性，从而实现了对隐含在不完整交通数据中的全局交通特征的提取；在解码阶段通过多层全连接神经网络对原始交通数据进行解码，并利用解码后的交通数据对缺失交通数据进行补全。本发明能够更全面的提取全网交通状态时空相关性，从而对缺失交通数据进行精确补全。
附图说明
图1是本申请实施例的交通数据补全方法的流程图；
图2为本申请实施例的交通数据补全系统结构示意图；
图3为本申请实施例的终端结构示意图；
图4为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的交通数据补全方法的流程图。本申请实施例的交通数据补全方法包括以下步骤：
S10：获取监测区域的道路网络图；
本步骤中，道路网络图为G＝(V，E，FV)，V＝{v1，v2，…，vN}是图的顶点集，表示监测区域内的道路集合。FV为道路的物理特征集合，物理特征包括道路等级、车道数、限速情况、道路长度、道路宽度等静态特征；FV是一个维度为N×Dv的矩阵，即
Figure BDA0003303870580000081
其中N表示道路(节点)的数量，Dv是节点的特征数量。E是节点之间的边集，用邻接矩阵表示。如果道路vi与道路vj是相邻路段并有连接关系，则它们之间的边(Er)i，j＝eij的值为1，如果道路vi与道路vj无连接，则(Er)i，j＝eij的值为0。
S20：获取监测区域内各道路的历史交通数据，根据历史交通数据统计相邻道路之间的交通状态变化趋势，并判断各道路之间是否具有相关性，将相关性计算结果量化作为道路网络图中各节点的边特征；
本步骤中，利用各道路的历史交通数据统计相邻道路之间的交通状态变化趋势，根据交通状态变化趋势判断道路之间是否具有相关性。其中，道路的历史交通数据包括速度和流量，相邻道路之间的交通状态变化趋势包括流量变化趋势和速度变化趋势。具体为：将一天划分为具有相同间隔的T个时间段{t1，t2，…，t|T|}，将一天中所有时间段采集到的真实交通数据和完整交通数据分别用矩阵Aobs∈RT×N和Araw∈RT×N来表示，其中(Aobs)t，i＝at，i∈RC表示在第t个时间段编号为i的道路的交通数据，C表示交通数据的维度。如果相邻两条道路的交通数据在同一时间段具有相似的变化趋势，例如流量或速度同时升高或同时降低，则认为这两条道路具有强相关性。两条道路具有相似变化趋势的次数越多，则两条道路之间的相关性越强。以相邻道路vi和vj之间的边eij为例，其边特征fs计算为：
Figure BDA0003303870580000091
其中，
Figure BDA0003303870580000092
和
Figure BDA0003303870580000093
分别表示相邻道路vi和vj在时间段t时历史交通数据中具有相似变化趋势的次数，Totalcnt表示历史交通数据的采集次数。
由于设备故障、部署成本有限等原因，实际采集到的真实交通数据Aobs中会存在缺失数据，在模型训练时，使用一个与A大小相同的掩码矩阵
Figure BDA0003303870580000094
来标识缺失位置，Aobs＝Araw⊙Ω，Ω的取值为：
Figure BDA0003303870580000095
S30：基于道路网络图和各道路之间的边特征构造包括各道路的动态交通数据以及道路之间相关性的交通状态关系图；
本步骤中，针对一天中的1～T个时间段构造出一个时间序列
Figure BDA0003303870580000096
Figure BDA0003303870580000097
根据时间序列
Figure BDA0003303870580000098
构造一个交通状态关系图
Figure BDA0003303870580000099
其中
Figure BDA00033038705800000910
为边特征，DE的值为2，(FE)i，j为边eij的特征。
Figure BDA00033038705800000911
表示节点的动态特征，动态特征表示各个节点在时间t的交通数据，有部分节点的动态特征存在缺失，在模型训练时用平均值代替。本申请实施例的目的即在于：基于存在缺失动态特征的真实交通数据Aobs和道路网络图G＝(V，E，FV)，推算出完整的交通数据
Figure BDA00033038705800001011
即：
Figure BDA0003303870580000101
其中，fc是一个函数。
S40：在自编解码深度神经网络中，利用GAT(Graph Attention Networks，图注意力模型)模型对交通状态关系图进行空间关联性学习，得到节点空间特征嵌入表示；
本步骤中，在自编解码深度神经网络的编码阶段，由于道路之间车的流动等各种影响因素，使得交通数据呈现出复杂的时空关联性。本申请实施例针对每一个时间段t的交通状态关系图
Figure BDA0003303870580000102
中的每一个节点vi，给定节点vi的邻居节点j∈Ni(
Figure BDA0003303870580000103
表示节点vi的所有邻域节点)，利用图注意力机制聚集节点vi的邻居节点的交通数据，以获取节点vi的空间特征表示。
具体的，利用GAT模型对交通状态关系图进行空间关联性学习具体包括：
S41：给定交通状态关系图Gt、节点i和节点j的交通数据分别为
Figure BDA0003303870580000104
和
Figure BDA0003303870580000105
边特征为
Figure BDA0003303870580000106
S42：通过一个可学习的线性变换将输入的节点特征转换到高维特征，包括
Figure BDA0003303870580000107
其中W1是一个矩阵，用于对
Figure BDA0003303870580000108
和
Figure BDA0003303870580000109
降维；然后通过一个单层前向神经网络得到wij的值，wij＝a(zi，zj，zij)，a是一个，由一个权重向量
Figure BDA00033038705800001010
参数化，并应用LeakyReLU非线性激活函数；
S43：执行自注意力机制
Figure BDA0003303870580000111
计算注意力系数，根据注意力系数判断节点j的交通数据对节点i的重要性；为了使注意力系数在不同节点上易于比较，本申请实施例使用softmax函数对所有邻居节点进行正则化，即：
Figure BDA0003303870580000112
完全展开后，由注意力机制计算的注意力系数表示为：
Figure BDA0003303870580000113
其中·T表示转置，||表示连接操作。
S44：计算注意力系数与对应数据特征的线性组合，得到每个节点的最终输出特征向量
Figure BDA0003303870580000114
其中σ是一个非线性操作，这里指Relu操作。
为了稳定自注意力的学习过程，本申请实施例使用多层图注意力卷积和多头机制获取节点在每个时间段t的空间特征。假设有K个注意力层，其需要将K个注意力层生成的特征向量拼接起来，即：
Figure BDA0003303870580000115
得到节点i在时间段t的空间特征表示。并基于以上过程，得到节点i在所有时间段的空间特征表示序列
Figure BDA0003303870580000116
S50：将节点空间特征输入GRU-CCN模型，通过GRU-CCN模型提取交通数据的全局空间相关性和短期依赖性，得到交通数据所隐含的全局时空特征；
本步骤中，由于各道路的交通数据在时间序列上具有演化和反演化短期相关依赖性，本申请实施例首先通过双向GRU神经网络从节点空间特征中提取出交通数据的演化和反演化规律，学习各个节点在各个时间段的交通数据与其前后时间段交通数据所呈现的短期关联关系，得到时间序列依赖性向量表示。然后利用CNN模型聚合前后一定数量的相邻时间段的交通数据，增强相邻时间段的交通数据对当前时段的影响，得到最终的全局时空特征嵌入表示。
本申请实施例中，GRU-CCN模型包括双向GRU网络和CNN卷积网络，通过GRU-CCN模型提取交通数据的全局空间相关性和短期依赖性具体包括：
S51：给定节点i在T个时间段的空间特征表示序列
Figure BDA0003303870580000121
将其作为双向GRU网络的输入，输出为每个时刻用定长向量表示的各个时间段的上下文语义信息。双向GRU网络分别在时间维以顺序
Figure BDA0003303870580000122
和逆序
Figure BDA0003303870580000123
(即前向和后向)依次处理输入的空间特征表示序列，并将每个时间步GRU在对应时间段的输出拼接成为各个时间段最终的时间序列表示，使得每个时间步的输出都包含了输入序列中当前时刻在过去和未来的上下文信息。本申请实施例使用
Figure BDA0003303870580000124
表示利用双向GRU网络学习到的时间序列依赖性向量表示，
Figure BDA0003303870580000125
表示经过BiGRU操作或者函数得到的结果。
S52：通过CNN卷积网络从空间特征表示序列
Figure BDA0003303870580000126
中提取各个时间段与其相邻时间段之间的强依赖关系；本申请实施例中，CNN卷积网络使用多通道卷积操作，每个卷积核通道为
Figure BDA0003303870580000127
的维度数量，卷积核大小为1×K，步长为1。为了获得与输入序列相同长度的输出，选择最近值填充的方式对输入数据进行填充(本申请实施例选择利用前后各两个时间段，即K＝5)，即对输入的空间特征表示序列
Figure BDA0003303870580000128
的前后分别填充
Figure BDA0003303870580000129
个相邻时间段的向量表示，增强相邻时间段的交通数据对当前时段的影响。本申请实施例使用
Figure BDA0003303870580000131
表示利用CNN学习到的相邻时段的序列依赖性向量表示，
Figure BDA0003303870580000132
表示经过CNN操作或者函数得到的结果。
S53：将双向GRU网络的输出和CNN卷积网络的输出结果进行拼接，得到道路i在时间段t的全局时空特征表示
Figure BDA0003303870580000133
S60：利用多层全连接解码器对各道路的全局时空特征进行解码，得到解码后各道路的交通数据；
本步骤中，在自动编解码模块的解码阶段，针对交通状态存在的周期性特征，获取各时间段t的时间属性，时间属性包括星期几、一天所在时段、节假日、工作日或周末等，将时间属性进行离散化处理，将各时间段t的时间属性以及全局时空特征相结合并输入多层全连接网络进行解码，得到每条道路在各个时间段的交通数据解码结果
Figure BDA0003303870580000134
在模型训练过程中，损失函数为补全后的交通数据与真实交通数据的均方差损失，并利用梯度下降法对算法做优化，通过反复迭代使得真实交通数据与解码后对应位置的值之间的差LOSS达到最小，得到训练好的网络模型。
S70：根据解码后各道路的交通数据对真实交通数据中对应位置的缺失数据进行补全，得到补全后的完整交通状态。
基于上述，本申请实施例的交通数据补全方法通过将道路交通状态以及相关影响因素构建为更富有语义表达的交通状态关系图，基于交通状态关系图，通过自编解码深度神经网络进行编解码，在编码阶段利用扩展的图注意力机制GAT模型以及双向GRU-CNN模型提取交通数据的全局空间相关性和短期依赖性，从而实现了对隐含在不完整交通数据中的全局交通特征的提取；在解码阶段通过多层全连接神经网络对原始交通数据进行解码，并利用解码后的交通数据对缺失交通数据进行补全。本发明能够更全面的提取全网交通状态时空相关性，从而对缺失交通数据进行精确补全。
请参阅图2，为本申请实施例的交通数据补全系统结构示意图。本申请实施例的交通数据补全系统40包括：
图构建模块41：用于根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；
空间特征提取模块42：用于利用图注意力模型对交通状态关系图进行空间关联性学习，得到节点空间特征；
时刻特征提取模块43：用于将节点空间特征输入GRU-CCN模型，通过GRU-CCN模型提取交通数据的全局时空特征；
数据解码模块44：用于利用多层全连接解码器对全局时空特征进行解码，得到解码后各道路的交通数据；
数据补全模块45：用于根据解码后各道路的交通数据对真实交通数据中的缺失数据进行补全，得到完整交通数据。
请参阅图3，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述交通数据补全方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制交通数据补全。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图4，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种交通数据补全方法，其特征在于，包括：
根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；
利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；
将所述节点空间特征输入GRU-CCN模型，通过所述GRU-CCN模型提取交通数据的全局时空特征；
利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；
根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。
2.根据权利要求1所述的交通数据补全方法，其特征在于，所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：
获取监测区域的道路网络图G＝(V，E，FV)，其中V＝{v1，v2，…，vN}是图的顶点集，表示监测区域内的道路集合；FV为道路的物理特征集合，所述物理特征包括道路等级、车道数、限速情况、道路长度或道路宽度；E是节点之间的边集；
获取所述监测区域内各道路的历史交通数据，根据所述历史交通数据计算相邻道路之间的交通状态变化趋势，并判断各道路之间是否具有相关性，将所述相关性计算结果作为所述道路网络图中各节点的边特征；
基于所述道路网络图和各道路之间的边特征构造交通状态关系图。
3.根据权利要求2所述的交通数据补全方法，其特征在于，所述将所述相关性计算结果作为所述道路网络图中各节点的边特征具体为：
Figure FDA0003303870570000021
其中，fs为相邻道路vi和vj之间的边eij的边特征，
Figure FDA0003303870570000022
Figure FDA0003303870570000023
和
Figure FDA0003303870570000024
分别表示相邻道路vi和vj在时间段t时历史交通数据具有相似变化趋势的次数，Totalcnt表示历史交通数据的采集次数。
4.根据权利要求3所述的交通数据补全方法，其特征在于，所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：
将一天划分为具有相同间隔的T个时间段{t1，t2，…，t|T|}；
针对一天中的1～T个时间段构造一个时间序列
Figure FDA0003303870570000025
根据所述时间序列
Figure FDA0003303870570000026
构造交通状态关系图
Figure FDA0003303870570000027
Figure FDA0003303870570000028
其中
Figure FDA0003303870570000029
为边特征，N表示节点数量，DE的值为2，(FE)i，j为边eij的边特征；
Figure FDA00033038705700000210
表示节点在时间t的交通数据。
5.根据权利要求1至4任一项所述的交通数据补全方法，其特征在于，所述利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征包括：
给定交通状态关系图Gt，节点i和节点j的交通数据分别为
Figure FDA00033038705700000211
Figure FDA00033038705700000212
和
Figure FDA00033038705700000213
边特征为
Figure FDA00033038705700000214
通过线性变换将输入的交通数据转换到高维特征，包括
Figure FDA0003303870570000031
Figure FDA0003303870570000032
其中W1是一个矩阵，用于对
Figure FDA0003303870570000033
和
Figure FDA0003303870570000034
降维；wij＝a(zi，zj，zij)，a是一个单层前向神经网络，由一个权重向量
Figure FDA0003303870570000035
参数化；
执行自注意力
Figure FDA0003303870570000036
计算注意力系数，所述注意力系数表明节点j的交通数据对节点i的重要性；所述注意力系数表示为：
Figure FDA0003303870570000037
其中·T表示转置，||表示连接操作；
计算注意力系数与对应交通数据的线性组合，得到每个节点的特征向量
Figure FDA0003303870570000038
其中σ表示非线性操作；
假设所述图注意力模型包括K个注意力层，将K个注意力层生成的特征向量进行拼接：
Figure FDA0003303870570000039
得到节点i在T个时间段的空间特征表示序列
Figure FDA00033038705700000310
6.根据权利要求5所述的交通数据补全方法，其特征在于，所述GRU-CCN模型包括双向GRU网络和CNN卷积网络，所述通过GRU-CCN模型提取交通数据的全局时空特征包括：
将所述空间特征表示序列
Figure FDA00033038705700000311
输入双向GRU网络，所述双向GRU网络分别在时间维以顺序
Figure FDA00033038705700000312
和逆序
Figure FDA00033038705700000313
依次处理输入的空间特征表示序列，并输出包含输入序列中当前时刻在过去和未来的上下文语义信息的时间序列依赖性向量表示；
通过所述CNN卷积网络从空间特征表示序列
Figure FDA00033038705700000314
中提取各个时间段与其相邻时间段之间的强依赖关系，输出各个时间段与相邻时段的序列依赖性向量表示；
将所述双向GRU网络和CNN卷积网络的输出结果进行拼接，得到道路i在时间段t的全局时空特征表示。
7.根据权利要求6所述的交通数据补全方法，其特征在于，所述利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据包括：
获取道路在各个时间段的时间属性，并将所述时间属性进行离散化处理；所述时间属性包括星期几、一天所在时段、节假日、工作日或周末；
将所述离散化处理后的时间属性与所述全局时空特征一起输入多层全连接网络进行解码，得到所述道路在对应时间段的交通数据解码结果。
8.一种交通数据补全系统，其特征在于，包括：
图构建模块：用于根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；
空间特征提取模块：用于利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；
时刻特征提取模块：用于将所述节点空间特征输入GRU-CCN模型，通过所述GRU-CCN模型提取交通数据的全局时空特征；
数据解码模块：用于利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；
数据补全模块：用于根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。
9.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-7任一项所述的交通数据补全方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制交通数据补全。
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述交通数据补全方法。
CN202111198114.8A 2021-10-14 2021-10-14 一种交通数据补全方法、系统、终端以及存储介质 Pending CN115985086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111198114.8A CN115985086A (zh) 2021-10-14 2021-10-14 一种交通数据补全方法、系统、终端以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111198114.8A CN115985086A (zh) 2021-10-14 2021-10-14 一种交通数据补全方法、系统、终端以及存储介质

Publications (1)

Publication Number Publication Date
CN115985086A true CN115985086A (zh) 2023-04-18

Family

ID=85958668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111198114.8A Pending CN115985086A (zh) 2021-10-14 2021-10-14 一种交通数据补全方法、系统、终端以及存储介质

Country Status (1)

Country Link
CN (1) CN115985086A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421548A (zh) * 2023-12-18 2024-01-19 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及系统
CN117421548B (zh) * 2023-12-18 2024-03-12 四川互慧软件有限公司 基于卷积神经网络对生理指标数据缺失的治理方法及系统

Similar Documents

Publication Publication Date Title
CN110059772B (zh) 基于多尺度解码网络的遥感图像语义分割方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
Xia et al. A deep Siamese postclassification fusion network for semantic change detection
CN116822382B (zh) 基于时空多重特性图卷积的海表面温度预测方法及网络
CN110929080A (zh) 基于注意力和生成对抗网络的光学遥感图像检索方法
CN115660135A (zh) 基于贝叶斯方法和图卷积的交通流预测方法及系统
CN117076931A (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN115830596A (zh) 基于融合金字塔注意力的遥感图像语义分割方法
CN115953907A (zh) 基于时空门控图卷积网络的交通速度预测方法及其应用
CN115062779A (zh) 基于动态知识图谱的事件预测方法及装置
CN115985086A (zh) 一种交通数据补全方法、系统、终端以及存储介质
Fang et al. Sparse point‐voxel aggregation network for efficient point cloud semantic segmentation
CN117975710A (zh) 一种交通流流量预测方法、装置、设备及存储介质
CN115169431B (zh) 一种雷暴识别方法及系统
CN114566048A (zh) 一种基于多视角自适应时空图网络的交通控制方法
Huang et al. Short-term traffic flow prediction based on graph convolutional network embedded lstm
CN116150699B (zh) 基于深度学习的交通流预测方法、装置、设备及介质
CN117218868B (zh) 一种基于几何散射图网络的交通流预测方法
US20240087189A1 (en) Methods and systems for generating graph representations of a scene
CN117765297B (zh) 高光谱图像分类方法、装置、设备及存储介质
CN113469102B (zh) 目标对象的重识别方法及装置、存储介质、电子装置
CN117789481A (zh) 基于图采样聚合与时空注意力机制的交通预测方法
Data et al. Advanced Deep Learning

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