[發明專利]一種基于DVGAE-GAN的交通路網數據修復方法

在審

• 申請號: 202110238868.5
• 申請日: 2021-03-04
• 公開（公告）號: CN113033619A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 徐東偉;彭航;魏臣臣;商學天;周磊;戴宏偉
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16;G06N3/04;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于DVGAE?GAN的交通路網數據修復方法，根據道路檢測器分布構建路網鄰接矩陣，獲取交通路網數據，利用圖變分自編碼器(VGAE)提取實際獲得的具有缺失路網數據的潛在時空特征，其中圖變分自編碼器采用降噪自編碼器(DAE)架構，即對路網缺失數據進行編碼操作，并解碼生成原始路網數據。最后將降噪圖變分自編碼器提取的路網潛在時空特征經過生成對抗網絡的對抗訓練生成原始路網數據，其中GAN的生成器結構LSTM，因此GAN可以更好的根據時空特征生成完整的原始交通流數據，從而實現道路交通狀態數據的修復。本發明有效提高交通路網狀態數據修復的精度。

技術領域

本發明屬于智能交通領域，涉及一種基于DVGAE-GAN的交通路網數據修復方法。

背景技術

隨著智能交通系統的出現，道路交通流數據在實時監測、預測和控制中的作用越來越重要。但在實際情況中，數據采集設備往往會遇到各種不可預測的中斷造成交通流數據缺失問題。缺失值問題不僅降低了數據提供的質量，而且還威脅到參與者可能因信息不完整而做出錯誤決策，另外道路交通狀態檢測器布置與維護也需要高昂的成本。

現階段的道路交通預測方法主要有：歷史平均法，K近鄰法，降噪自編碼器算法，生成對抗網絡插補算法等。

發明內容

為了克服已有技術的不足，本發明提出一種基于DVGAE-GAN的交通路網數據修復方法，可以深度挖掘交通路網狀態檢測器之間的時空特征，長短期記憶神經網絡(LSTM)作為生成對抗網絡(GAN)的生成器，將提取的潛在時空特征還原成原始交通路網數據，有效提高交通路網狀態修復的精度。

本發明解決其技術問題所采用的技術方案是：

一種基于DVGAE-GAN的交通路網數據修復方法，包括以下步驟：

步驟1：獲取交通路網狀態數據以及路網鄰接矩陣

構建0-1矩陣模擬現實中路網觀測數據的缺失情況和缺失位置，以此得到實際存在缺失的交通路網數據，與完整情況下交通路網數據和鄰接矩陣；

步驟2：采用降噪圖變分自編碼器(DVGAE)提取路網狀態數據與鄰接矩陣的潛在時空特征

編碼器部分輸入實際交通路網數據和鄰接矩陣，提取潛在表示，經解碼器輸出完整的原始路網數據和鄰接矩陣，降噪自編碼器框架對于潛在時空特征更能反映原始路網數據，實現路網潛在時空特征的提取；

步驟3：分別構建生成器與判別器的內部結構，并構建生成對抗網絡進行對抗訓練，實現路網狀態數據修復

生成器用LSTM層，判別器由全連接層組成，構建起生成對抗網絡模型，并將從DVGAE中提取的潛在時空特征作為生成器的輸入，生成器的輸出即為修復后的路網數據，這里將得到的修復路網數據與原始路網數據進行重新組合，并引入重構誤差，分別定義生成器與判別器的損失函數，希望生成對抗網絡能針對缺失位置處數據重點訓練，達到生成器與判別器相互博弈對抗，實現交通路網狀態數據修復；

步驟4：將交通路網狀態數據劃分為訓練集與測試集

將訓練集輸入DVGAE訓練，通過模型優化器不斷優化參數，能復現出原始交通數據和路網鄰接矩陣，將訓練好的參數輸入測試集，提取出相應潛在時空特征；將訓練集潛在時空特征輸入到生成對抗網絡中相互對抗，直至模型收斂以此達到修復的效果；然后采用測試集的潛在時空特征作為生成器輸入，得到修復后交通狀態數據。

進一步，所述步驟1中，構建交通路網采用圖的形式表示為：G＝(V,A),其中V＝{v₁,v₂,v₃,...,v_N}，N為路網中檢測器的總數目，A表示路網中檢測器節點之間的聯系，構建路網的鄰接矩陣節點v_i與節點v_r的連邊關系表示為：