[發明專利]一種基于分層圖卷積的交通路網數據修復方法

在審

• 申請號: 202211323601.7
• 申請日: 2022-10-27
• 公開（公告）號: CN115905899A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 徐東偉;彭航;李呈斌;商學天
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F18/23213
• 分類號: G06F18/23213;G06F18/214;G06N3/042;G06N3/0464;G06N3/048
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 舒良

1.一種基于分層圖卷積的交通路網數據修復的方法，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和鄰接矩陣。

步驟2：基于所述步驟1中路網檢測器采集的先驗歷史數據，計算檢測器之間的相關性系數大小，做為K-means的距離度量，相關性系數越大距離越小，以此構造映射矩陣；在此基礎上對原始路網數據采用圖注意力機制(GAT)來對同一區域不同路段節點的重要性進行區分，得到道路層到宏觀層注意力系數矩陣，結合前面構造的映射矩陣生成分配矩陣。

步驟3：路網數據時空特征的提取分為兩個層面：一、宏觀層特征提取：原始路網特征與鄰接矩陣通過步驟3中分配矩陣可以得到宏觀的路網特征和宏觀層的鄰接矩陣，進一步輸入GCN進行空間特征聚合；二、道路層特征提取：原始路網基礎上加入自適應鄰接矩陣，不局限于實際路網檢測器位置信息，采用GCN進行空間特征聚合，再利用時間注意力機制挖掘全局時間關系，得到道路層特征提取。

步驟4：基于所述步驟2中的映射矩陣，實現將宏觀層學習到的特征返還成道路路網的特征，與道路層自身學習到的特征拼接，通過卷積變換生成完整的交通路網數據。

步驟5：將交通路網數據劃分為訓練集、驗證集和測試集。通過上述步驟將訓練集輸入分層圖卷積網絡訓練，將驗證集路網數據修復效果最好的模型參數保留。輸入測試集，得到修復后的交通路網數據。

2.如權利要求1所述的基于分層圖卷積的交通路網數據修復的方法，其特征在于，步驟1所述的構建路網圖具體包括：G＝(V,A),其中V＝{v₁,v₂,v₃,...,v_N}，N為路網中檢測器的數量，表示路網中檢測器節點之間的連邊關系：若檢測器v_i與v_r在路網中物理相鄰，則認為兩個檢測器存在連邊，即a_ir＝1；反之，a_ir＝0。構建路網數據矩陣F為每個檢測器節點的時間序列特征，特征長度為T，x_it為檢測器節點v_i(i∈1,2,3,...,N)在第t時刻觀測到的交通數據。為表征路網數據缺失情況，創建0-1矩陣其中m_ij(i＝1,2,...,N,j＝1,2,...F)表示如下：

由此實際獲得的交通路網數據為鄰接矩陣為A。⊙表示矩陣點乘。

3.如權利要求1所述的基于分層圖卷積的交通路網數據修復的方法，其特征在于，步驟2具體包括：

通過針對每個檢測器節點的歷史先驗數據，采用皮爾遜相關性系數計算不同節點之間的時間相關性，第i個檢測器v_i與第r個檢測器v_r之間的皮爾遜相關性系數d_ir,計算公式為：

其中表示選擇的歷史數據長度。為檢測器v_i在時刻下的交通數據。

由道路交通時空特征點V＝{v₁,v₂,v₃,...,v_N}聚類為宏觀區域節點N^R表示宏觀區域的節點數量(N^RN)。從v_i(i∈1,2,3,...,N)中隨機選取N^R個點做為簇中心點，由相關性系數(|1-d_ir|)做為距離將其v_i分配給距離最近的簇中心u_c(c∈1,2,3,...,N^R)，通過迭代更新簇的中心點，使得所有檢測器v_i距離簇中心u_c的誤差平方和最小，由此可以得到映射矩陣:

為了進一步增強宏觀層的節點特征學習，采用GAT分配不同檢測器節點權重，計算出每一個道路層檢測器節點到每一個宏觀節點的對應概率，得到注意力系數矩陣結合映射矩陣[Trans]_ic，可以捕獲同一區域下不同路段檢測器對交通區域的不同影響力，最終學習到的分配矩陣如下：

A^SR＝softmax(Trans⊙W_trans)?(5)