一种基于生成对抗网络实现路网交通数据修复的方法技术

一种基于生成对抗网络实现路网交通数据修复的方法，通过获取路网中各个检测器的历史时间序列数据，利用图自编码器(GAE)对缺失数据提取道路交通状态数据时空特征，经过生成对抗网络(GAN)，根据缺失交通状态数据的时空特征生成完整交通状态数据的时空特征，其中生成器内部结构采用长短期记忆神经网络(LSTM)，判别器内部结构采用全连接神经网络，最后再经过图自编码器的解码，实现交通状态数据的修复。本发明专利技术有效提高交通数据修复的准确性。本发明专利技术有效提高交通数据修复的准确性。本发明专利技术有效提高交通数据修复的准确性。

【技术实现步骤摘要】
一种基于生成对抗网络实现路网交通数据修复的方法


[0001]本专利技术涉及一种基于生成对抗网络实现路网交通数据修复的方法，本专利技术属于智能交通领域。

技术介绍

[0002]道路交通流数据的完整性对智能交通系统中的管理和控制有着重要的利用价值。在现实道路交通系统中，由于传感器故障或老化等原因，会导致交通流量数据的缺失。因此，道路交通流数据修复对智能交通系统有着直接重大的影响。
[0003]现阶段的道路交通数据修复的方法主要有K最近邻算法、卷积神经网络算法和基于灰色残差GM(1，N)算法等算法，但是大多数算法都无法有效提取路网交通数据的时空特征和在数据严重缺失的情况下存在数据修复精度低的问题。

技术实现思路

[0004]为了克服已有技术的不足，本专利技术提供了一种基于生成对抗网络实现路网交通数据修复的方法，利用对抗生成网络，融合了基于图自编码器(GAE)和长短期记忆神经网络思想，提出了一种基于生成对抗网络实现路网交通数据修复的方法。该方法能有效提取路网交通数据的时空特征，并且提高数据修复的准确性与鲁棒性。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于生成对抗网络实现路网交通数据修复的方法，包括以下步骤：
[0007]1)基于道路交通数据流进行预处理并构建交通流状态矩阵数据集；
[0008]2)基于GAE编码提取路网交通状态数据特征；
[0009]3)基于LSTM构建路网交通状态数据生成器网络；
[0010]4)基于全连接神经网络构建路网交通状态数据判别器网络；
[0011]5)基于生成对抗网络生成完整交通状态数据的特征；
[0012]6)基于GAE解码实现交通状态数据修复。
[0013]进一步，所述步骤1)的过程如下：
[0014]1.1：对数据流进行预处理，使用最大最小标准化对数据进行归一化处理，计算表达式如下：
[0015][0016]其中，x
real
为道路的原始流量数据，x
min
为道路原始流量数据中的最小值，x
max
为道路原始流量数据中的最大值，x为预处理后的道路流量数据；
[0017]1.2：构建交通流状态数据集
[0018]获取n条路段的交通状态数据矩阵，完整的交通状态数据表达式如下：
[0019][0020]其中，交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则x
it
表示第i条道路上的在t时刻的交通状态数据；
[0021]利用掩膜矩阵Q表示交通数据缺失状态，掩膜矩阵表达式如下：
[0022][0023]q
it
表示第i条道路上的在t时刻的交通状态数据是否缺失，若不缺失，则q
ij
＝1，若缺失，则q
ij
＝0，含有缺失数据的交通状态数据记为X
loss
＝X
true
*Q，*表示矩阵对应元素相乘。
[0024]进一步，所述步骤2)的过程如下：
[0025]2.1：构建图自编码器GAE，GAE的输入是缺失交通状态数据X
loss
或者完整交通状态数据X
true
，编码输出分别是缺失交通状态数据的特征Z
loss
和完整交通状态数据的特征Z
true
，解码输出是新的交通状态数据矩阵和新的邻接矩阵
[0026]GAE编码器表达式如下：
[0027][0028][0029]其中Z为编码后的特征矩阵，W
G0
和W
G1
是编码器权重矩阵，A为邻接矩阵，D为A的度矩阵，ReLU(β)函数表达式如下：
[0030]ReLU(β)＝max(0,β)
ꢀꢀ
(6)
[0031]GAE解码器表达式如下：
[0032][0033][0034]其中为解码后的新的交通状态数据矩阵，W
D0
和W
D1
是解码器权重矩阵，B
D0
和B
D1
是解码器偏置矩阵，为解码后的新邻接矩阵，Z
T
为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：
[0035][0036]2.2：定义GAE模型损失函数，经过反向传播不断优化GAE模型参数，损失函数如下：
[0037][0038][0039]l＝(1+(q-1)*a
ij
)
ꢀꢀ
(12)
[0040][0041][0042][0043]gaeloss2＝norm
·
loss2ꢀꢀ
(16)
[0044]gaeloss＝gaeloss1+α
·
gaeloss2ꢀꢀ
(17)
[0045]p为交通状态数据个数，m为车道数，a
ij
为原邻接矩阵中第i行第j列元素，为GAE解码得到的新邻接矩阵中第i行第j列元素，α是超参数，gaeloss是GAE最终的损失函数。
[0046]2.3：提取道路交通数据特征
[0047]利用训练后的GAE的编码器，提取缺失道路交通状态数据的特征Z
loss
和完整道路交通状态数据的特征Z
true
，公式如(5)所示。
[0048]更进一步，所述步骤3)的过程如下：
[0049]定义GAN的生成器G模型结构，生成器内部结构采用LSTM神经网络，并经过全连接层获得生成器输出，生成器输入为含有缺失数据的经过GAE编码的特征Z
loss
，输出G(Z
loss
)为完整道路交通状态数据的特征；
[0050]LSTM神经网络表达式如下：
[0051]f
t
＝σ(W
f
[h
t-1
,x
t
]+b
f
)
ꢀꢀ
(18)
[0052]i
t
＝σ(W
i
[h
t-1
,x
t
]+b
i
)
ꢀꢀ
(19)
[0053][0054][0055]o
t
＝σ(W
o
[h
t-1
,x
t
]+b
o
)
ꢀꢀ
(22)
[0056]h
t
＝o
t
*tanh(C
t
)
ꢀꢀ
(23)
[0057]其中W
f
为遗忘门权重矩阵，h
t-1
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络实现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)基于道路交通数据流进行预处理并构建交通流状态矩阵数据集；2)基于GAE编码提取路网交通状态数据特征；3)基于LSTM构建路网交通状态数据生成器网络；4)基于全连接神经网络构建路网交通状态数据判别器网络；5)基于生成对抗网络生成完整交通状态数据的特征；6)基于GAE解码实现交通状态数据修复。2.如权利要求1所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤1)的过程如下：1.1：对数据流进行预处理，使用最大最小标准化对数据进行归一化处理，计算表达式如下：其中，x
real
为道路的原始流量数据，x
min
为道路原始流量数据中的最小值，x
max
为道路原始流量数据中的最大值，x为预处理后的道路流量数据；1.2：构建交通流状态数据集获取n条路段的交通状态数据矩阵，完整的交通状态数据表达式如下：其中，交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则x
it
表示第i条道路上的在t时刻的交通状态数据；利用掩膜矩阵Q表示交通数据缺失状态，掩膜矩阵表达式如下：q
it
表示第i条道路上的在t时刻的交通状态数据是否缺失，若不缺失，则q
ij
＝1，若缺失，则q
ij
＝0，含有缺失数据的交通状态数据记为X
loss
＝X
true
*Q，*表示矩阵对应元素相乘。3.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤2)的过程如下：2.1：构建图自编码器GAE，GAE的输入是缺失交通状态数据X
loss
或者完整交通状态数据X
true
，编码输出分别是缺失交通状态数据的特征Z
loss
和完整交通状态数据的特征Z
true
，解码输出是新的交通状态数据矩阵和新的邻接矩阵GAE编码器表达式如下：
其中Z为编码后的特征矩阵，W
G0
和W
G1
是编码器权重矩阵，A为邻接矩阵，D为A的度矩阵，ReLU(β)函数表达式如下：ReLU(β)＝max(0,β)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)GAE解码器表达式如下：GAE解码器表达式如下：其中为解码后的新的交通状态数据矩阵，W
D0
和W
D1
是解码器权重矩阵，B
D0
和B
D1
是解码器偏置矩阵，为解码后的新邻接矩阵，Z
T
为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：2.2：定义GAE模型损失函数，经过反向传播不断优化GAE模型参数，损失函数如下：2.2：定义GAE模型损失函数，经过反向传播不断优化GAE模型参数，损失函数如下：l＝(1+(q-1)*a
ij
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)(12)(12)gaeloss2＝norm
·
loss2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)gaeloss＝gaeloss1+α
·
gaeloss2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)p为交通状态数据个数，m为车道数，a
ij
为原邻接矩阵中第i行第j列元素，为GAE解码得到的新邻接矩阵中第i行第j列元素，α是超参数，gaeloss是GAE最终的损失函数；2.3：提取道路交通数据特征利用训练后的GAE的编码器，提取缺失道路交通状态数据的特征Z
loss
和完整道路交通状态数据的特征Z
true
，公式如(5)所示。4.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在
于，所述步骤3)的过程如下：定义GAN的生成器G模型结构，生成器内部结构采用LSTM神经网络，并经过全连接层获得生成器输出，生成器输入为含有缺失数据的经过GAE编码的特征Z
loss
，输出G(Z
loss
)为完整道路交通状态数据的特征；LSTM神经网络表达式如下：f
t
＝σ(W
f
[h
t-1
,x
...

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