基于循环神经网络的交通数据填补方法及系统技术方案

本发明专利技术属于数据处理技术领域，提供了基于循环神经网络的交通数据填补方法及系统，包括获取交通流数据；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x

【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方案：
[0009]本专利技术的第一个方面提供基于循环神经网络的交通数据填补方法，包括如下步骤：
[0010]获取交通流数据；
[0011]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；
[0012]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。
[0013]本专利技术的第二个方面提供基于循环神经网络的交通数据填补系统，包括：
[0014]交通流数据获取模块，被配置为：获取交通流数据；
[0015]交通流数据时间插补模块，被配置为：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；
[0016]交通流数据特征插补模块，被配置为：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。
[0017]本专利技术的第三个方面提供一种计算机可读存储介质。
[0018]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于循环神经网络的交通数据填补方法中的步骤。
[0019]本专利技术的第四个方面提供一种计算机设备。
[0020]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于循环神经网络的交通数据填补方法中的步骤。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022]本专利技术通过挖掘在时间和空间两个维的内在联系，通过两种循环神经网络，分别使用针对使用基于时间维度改进的T
‑
RNN和基于特征维度改进的F
‑
RNN分别进行动态填补，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。
[0023]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0024]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0025]图1是基于循环神经网络的交通数据填补方法的整体流程示意图；
[0026]图2是基于时间维度改进的T
‑
RNN计算逻辑图；
[0027]图3(a)
‑
图3(b)是和本专利技术的方法和其他方法比较的平均绝对误差(Mean Abso l ute Error,MAE)图像和平均平方误差(Mean Square Error,MSE)图像。
具体实施方式
[0028]下面结合附图与实施例对本专利技术作进一步说明。
[0029]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0030]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0031]术语解释
[0032]循环神经网络(Recurrent Neura l Network,RNN)是一类以序列数据为输入，在
序列的演进方向进行递归且所有节点循环单元按链式连接的递归神经网络。
[0033]实施例一
[0034]正如
技术介绍
所提及的智能交通系统中，路网的运行状态的感知与判断主要通过交通流数据，因此交通数据的完整性与有效性至关重要。
[0035]不可抗的现实因素，如天气状况、网络通信故障、数据持久化系统问题等，会对交通数据的采集处理与保存等造成破坏，很多下游方法与分析在实践的时候，需要完整的数据，因此数据的填补至关重要。
[0036]本专利技术分别使用针对使用基于时间维度改进的T
‑
RNN和基于特征维度改进的F
‑
RNN分别进行动态填补，输入交通流数据，用于表征是否缺失的掩膜矩阵与时间间隔矩阵，得到最终的估计值。
[0037]如图1所示，本实施例提供基于循环神经网络的交通数据填补方法，包括如下步骤：
[0038]步骤101：获取交通流数据x
t
；
[0039]步骤102：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x
t
和时间维度的循环神经网络T
‑
RNN，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；
[0040]步骤103：提取预填补交通流数据特征本文档来自技高网...

【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：