【技术实现步骤摘要】
基于循环神经网络的交通数据填补方法及系统
[0001]本专利技术属于数据处理
,尤其涉及基于循环神经网络的交通数据填补方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
[0003]在大数据时代,数据的持久化与挖掘一直是人们研究的重点。在交通领域,多家公司提出智慧城市、智慧交通、城市计算、数字孪生等概念,均在探索智能交通系统的下一步发展。当下的交通系统,每天都会产生海量的交通数据。由于各种各样的现实原因,如干扰交通检测设备的建筑活动,交通检测设备(包括感应线圈的硬件或域控制器)失灵,交通管理系统连接不畅,天气与网络环境较差等原因,均会对数据的获取造成较大影响,导致交通数据缺失现象的产生,对智能交通系统带来巨大挑战。
[0004]当前主要存在以下不足:
[0005]1、对于统计学习方法通常需要一个没有缺失值的观测数据集来建立概率分布,但在实际应用中可能无法满足这一要求;
[0006]2、对于基于张量数据的填补方法,如矩阵或张量分解方法在面对越来越多的数据,需要昂贵的计算成本,硬件开销较大。
技术实现思路
[0007]为了解决上述
技术介绍
中存在的至少一项技术问题,本专利技术提供基于循环神经网络的交通数据填补方法及系统,其利用改进的循环神经网络捕捉交通数据变化模式,感知数据的缺失信息,泛化处理多元数据时序上与数据间的动态影响,对所缺失数据进行填补。
[0008]为了实现上述目的,本专利技术采用如下技术 ...
【技术保护点】
【技术特征摘要】
1.基于循环神经网络的交通数据填补方法,其特征在于,包括如下步骤:获取交通流数据;判断交通流数据是否存在缺失,若存在缺失,基于当前交通流数据和时间维度的循环神经网络,引入修正系数对循环神经网络的隐藏层变量和当前交通流数据进行修正处理,得到预填补交通流数据;提取预填补交通流数据特征变量,基于预填补交通流数据特征变量和特征维度的循环神经网络,捕捉预填补交通流数据特征变量之间的相关性,利用全连接层将修正后的隐藏变量转换到数据空间,得到填补后的交通流数据。2.如权利要求1所述的基于循环神经网络的交通数据填补方法,其特征在于,所述引入修正系数对循环神经网络的隐藏层变量和当前交通流数据进行修正处理,得到预填补交通流数据,具体包括:经过前向传播和后向传播,基于t
‑
1时刻的隐藏变量得到t时刻的前向传播和后向传播的估计值;引入衰退修正系数分别对前向传播和后向传播的隐藏层变量估计值进行衰退修正得到前向传播和后向传播的t时刻预填补交通数据;基于前向传播和后向传播的t时刻预填补交通数据对循环神经网络的隐藏层变量进行更新,得到前向传播和后向传播t时刻网络的隐藏变量。3.如权利要求1所述的基于循环神经网络的交通数据填补方法,其特征在于,所述基于预填补交通流数据特征变量和特征维度的循环神经网络,捕捉预填补交通流数据特征变量之间的相关性,包括:基于特征维度的循环神经网络的上一隐藏变量分别计算前向传播第i个特征的估计值和后向传播第i个特征的估计值;引入衰退修正的系数分别基于前向传播和后向传播对估计值的进行与对隐藏变量进行修正的系数,对估计值与填补后的最终数据进行更新与RNN网络的隐藏变量进行更新。4.如权利要求2所述的基于循环神经网络的交通数据填补方法,其特征在于,所述引入衰退修正系数分别对前向传播和后向传播的隐藏层变量估计值进行衰退修正得到前向传播和后向传播的t时刻预填补交通数据的公式为:式中,表示前向计算过程中的衰退系数λ
t
,m
t
表示表示掩膜向量,用来表示数据缺失情况。5.如权利要求2所述的基于循环神经网络的交通数据填补方法,其特征在于,所述基于前向传播和后向传播的t时刻预填补交通数据对循环神经网络的隐藏层变量进行更新的公式为:式为:表示前向计算中上一个时间步的RNN网络隐藏变量h
t
‑1,表示前向计算中的衰退变...
【专利技术属性】
技术研发人员:朱文兴,吉中昶,马晓龙,苏士斌,冯远宏,
申请(专利权)人:山东大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。