一种基于GraphSAGE-GAN的交通路网数据修复方法技术

一种基于GraphSAGE

【技术实现步骤摘要】
一种基于GraphSAGE-GAN的交通路网数据修复方法


[0001]本专利技术涉及一种基于GraphSAGE-GAN的交通路网数据修复方法，本专利技术属于智能交通领域。

技术介绍

[0002]构建智慧交通城市过程中，道路的交通状态数据有着核心的作用，完整的数据能够更好的使得道路管理者获得精确的路网交通状态信息，从而更好地调控路网的运行状态。然而在现实中，道路检测器的自身故障，以及各种不可抗因素(如：地震，洪水造成的道路交通状态检测器断电等)造成道路检测器获取的交通状态信息并不是完整的。因此，针对路网交通状态数据，采用数据修复算法对缺失数据进行插补，保证路网交通状态数据的完整性有着至关重要的意义。
[0003]现阶段的道路交通预测方法主要有：历史平均法，K近邻法，降噪自编码器算法，生成对抗网络插补算法等；存在的技术缺陷：无法深度挖掘路网交通状态检测器之间的空间特征，路网交通状态修复的精度较低。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供一种基于GraphSAGE-GAN的交通路网数据修复方法，可以深度挖掘路网交通状态检测器之间的空间特征，有效提高路网交通状态修复的精度。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于GraphSAGE-GAN的交通路网数据修复方法，包括以下步骤：
[0007]步骤1根据路网检测器历史交通状态数据，计算路网检测器之间的相关性系数，并根据检测器之间的相关性系数大小关系，构建基于时间相关性的路网结构并替代原始基于空间分布关系的路网结构；
[0008]步骤2利用GraphSAGE聚合检测器以及与其相连的邻居检测器的交通状态数据，实现基于时间相关性的路网结构提取路网检测器之间的时空特征信息；
[0009]步骤3构建生成对抗网络，并将经GraphSAGE提取的时空特征作为生成器的输入，定义生成对抗网络中生成器与判别器的损失函数，使得经生成器与判别器的对抗训练后，生成器能够根据输入的时空特征信息生成完整的路网交通状态数据；
[0010]步骤4将路网交通状态数据划分为训练集与测试集，并根据训练集数据对GraphSAGE-GAN网络模型进行训练，最终采用测试集对网络模型性能进行评估。
[0011]进一步，所述步骤1的过程如下：
[0012]过程如下：
[0013]1.1构建交通路网，并创建路网交通状态矩阵
[0014]构建交通路网，采用图的形式表示为：G＝(V,E)，其中 V＝{v1,v2,v3,...,v
N
}，|V|＝N，且：
[0015][0016]其中N为路网中检测器的总数目，在路网中表示为节点的总数， E表示为网络中节点之间的联系关系，表示路网中任意两个节点是否存在连边关系，针对每个检测器节点v
i
(i∈1,2,3,
…
,N)，其历史数据记为：x
i
＝[x
i1
,x
i2
,x
i3
,
…
,x
iT
]，T为记录历史数据的数目，x
it
为第i个检测器节点v
i
在第t时刻的交通状态数据；
[0017]创建路网交通状态矩阵：构建路网交通状态矩阵X
N
×
F (F＝1,2,3,
…
,T)，其中F为每个节点的特征个数，该特征表示为检测器节点部分的历史数据。同时创建掩膜M
N
×
F
矩阵记录路网中数据缺失位置，掩膜矩阵M
N
×
F
为(0,1)二值矩阵，其中m
ij
(i＝1,2,
…
,N,j＝1,2,
…
,F) 记录第i个检测器的第j个特征元素的值是否缺失：
[0018][0019]将原始路网交通状态矩阵X与掩膜矩阵M对应元素相乘，得到含有缺失数据的交通路网状态数据
[0020]1.2计算检测器节点之间相关性系数
[0021]针对每个检测器节点的历史数据，采用皮尔逊相关性系数计算公式，计算不同节点之间的时间相关性，第i个检测器v
i
与第j个检测器v
j
之间的皮尔逊相关性系数r
ij
计算公式为：
[0022][0023]其中K为计算皮尔逊相关性系数时选取的每个检测器节点历史交通状态数据长度，通过计算不同检测器之间的皮尔逊相关性系数，得到路网G的N
×
N的皮尔逊相关性系数矩阵
[0024]1.3根据路网的相关性系数矩阵，重构路网结构
[0025]对于每个检测器节点，令该检测器和与该检测器的皮尔逊相关性系数较大的其余p*N个检测器之间创建连边，重新构建基于时间相关性的路网结构，记重构后的路网记为：G
′
＝(V,A)，其中p为选取最相关检测器节点的比例,p∈(0,1).a
ij
表示重构后的路网矩阵中v
i
检测器节点与v
j
检测器节点的连边关系：
[0026][0027]再进一步，所述步骤2的过程如下：
[0028]根据构建的基于时间相关性的路网结构，针对每个检测器节点的邻居节
点特征，采用均值聚合的方法聚合空间信息，若进行 Z层均值聚合，则聚合计算公式为：
[0029][0030][0031]其中表示为对于节点v
i
经GraphSAGE提取的第z层特征，表示为与节点v
i
相连的节点集合，即邻居节点集合；sum表示为求邻居节点集合在不同特征属性上的特征和；为邻居节点个数；为节点v的邻居集合的第(z-1)层均值聚合特征；CONCAT表示为特征合并；σ表示为激活函数；W
iz
为对第i个检测器进行聚合时模型需要训练的权重参数；
[0032]对路网中所有节点进行Z层GraphSAGE均值聚合后，对于每个检测器节点v
i
得到该节点的聚合特征路网的聚合特征
[0033]所述步骤3的过程如下：
[0034]生成对抗网络由生成器G与判别器D构成，将经GraphSAGE均值聚合的路网特征作为生成对抗网络中生成器的输入，输出为完整交通路网交通状态矩阵；具有L
G
层全连接层的生成器的模型结构计算公式为：
[0035][0036][0037]其中l＝1,2,
…
,L
G
，为生成器提取的第l层特征；σ为激活函数；W
lG
，为第l层需要训练的权重及偏差参数；为生成器的输出层，f为激活函数，为生成器的输出层需要训练的权重及偏差参数；
[0038]具有L
D
层全连接层的判别器的模型结构计算公式为：
[0039][0040][0041]其中l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GraphSAGE-GAN的交通路网数据修复方法，其特征在于，所述方法包括以下步骤：步骤1根据路网检测器历史交通状态数据，计算路网检测器之间的相关性系数，并根据检测器之间的相关性系数大小关系，构建基于时间相关性的路网结构并替代原始基于空间分布关系的路网结构；步骤2利用GraphSAGE聚合检测器以及与其相连的邻居检测器的交通状态数据，实现基于时间相关性的路网结构提取路网检测器之间的时空特征信息；步骤3构建生成对抗网络，并将经GraphSAGE提取的时空特征作为生成器的输入，定义生成对抗网络中生成器与判别器的损失函数，使得经生成器与判别器的对抗训练后，生成器能够根据输入的时空特征信息生成完整的路网交通状态数据；步骤4将路网交通状态数据划分为训练集与测试集，并根据训练集数据对GraphSAGE-GAN网络模型进行训练，最终采用测试集对网络模型性能进行评估。2.如权利要求1所述的基于GraphSAGE-GAN的交通路网数据修复方法，其特征在于，所述方法所述步骤1的过程如下：过程如下：1.1构建交通路网，并创建路网交通状态矩阵构建交通路网，采用图的形式表示为：G＝(V,E)，其中V＝{v1,v2,v3,...,v
N
}，|V|＝N，且：其中N为路网中检测器的总数目，在路网中表示为节点的总数，E表示为网络中节点之间的联系关系，表示路网中任意两个节点是否存在连边关系，针对每个检测器节点v
i
(i∈1,2,3,
…
,N)，其历史数据记为：x
i
＝[x
i1
,x
i2
,x
i3
,
…
,x
iT
]，T为记录历史数据的数目，x
it
为第i个检测器节点v
i
在第t时刻的交通状态数据；创建路网交通状态矩阵：构建路网交通状态矩阵X
N
×
F
(F＝1,2,3,
…
,T)，其中F为每个节点的特征个数，该特征表示为检测器节点部分的历史数据，同时创建掩膜M
N
×
F
矩阵记录路网中数据缺失位置，掩膜矩阵M
N
×
F
为(0,1)二值矩阵，其中m
ij
(i＝1,2,
…
,N,j＝1,2,
…
,F)记录第i个检测器的第j个特征元素的值是否缺失：将原始路网交通状态矩阵X与掩膜矩阵M对应元素相乘，得到含有缺失数据的交通路网状态数据1.2计算检测器节点之间相关性系数针对每个检测器节点的历史数据，采用皮尔逊相关性系数计算公式，计算不同节点之间的时间相关性，第i个检测器v
i
与第j个检测器v
j
之间的皮尔逊相关性系数r
ij
计算公式为：
其中K为计算皮尔逊相关性系数时选取的每个检测器节点历史交通状态数据长度，通过计算不同检测器之间的皮尔逊相关性系数，得到路网G的N
×
N的皮尔逊相关性系数矩阵1.3根据路网的相关性系数矩阵，重构路网结构对于每个检测器节点，令该检测器和与该检测器的皮尔逊相关性系数较大的其余p*N个检测器之间创建连边，重新构建基于时间相关性的路网结构，记重构后的路网记为：G
′
＝(V,A)，其中p为选取最相关检测器节点的比例,p∈(0,1).a
ij
表示重构后的路网矩阵中v
i
检测器节点与v
j
检测器节点的连边关系：3.如权利要求1或2...

【专利技术属性】
技术研发人员：徐东伟，魏臣臣，丁加丽，周磊，林臻谦，金燕，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：