CN112330951A - 一种基于生成对抗网络实现路网交通数据修复的方法 - Google Patents

一种基于生成对抗网络实现路网交通数据修复的方法 Download PDF

Info

Publication number
CN112330951A
CN112330951A CN202010952198.9A CN202010952198A CN112330951A CN 112330951 A CN112330951 A CN 112330951A CN 202010952198 A CN202010952198 A CN 202010952198A CN 112330951 A CN112330951 A CN 112330951A
Authority
CN
China
Prior art keywords
data
matrix
traffic
loss
road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010952198.9A
Other languages
English (en)
Other versions
CN112330951B (zh
Inventor
徐东伟
余泽锋
魏臣臣
林臻谦
周磊
丁加丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010952198.9A priority Critical patent/CN112330951B/zh
Publication of CN112330951A publication Critical patent/CN112330951A/zh
Application granted granted Critical
Publication of CN112330951B publication Critical patent/CN112330951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

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。本发明有效提高交通数据修复的准确性。

Description

一种基于生成对抗网络实现路网交通数据修复的方法
技术领域
本发明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，本发明属于智能交通领域。
背景技术
道路交通流数据的完整性对智能交通***中的管理和控制有着重要的利用价值。在现实道路交通***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***有着直接重大的影响。
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。
发明内容
为了克服已有技术的不足，本发明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。
本发明解决其技术问题所采用的技术方案是：
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：
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。
进一步，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：
Figure BDA0002677368980000021
其中，xreal为道路的原始流量数据，xmin为道路原始流量数据中的最小值，xmax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：
Figure BDA0002677368980000022
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xit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：
Figure BDA0002677368980000031
qit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qij＝1，若缺失，则qij＝0，含有缺失数据的交通状态数据记为Xloss＝Xtrue*Q，*表示矩阵对应元素相乘。
进一步，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Xloss或者完整交通状态数据Xtrue，编码输出分别是缺失交通状态数据的特征Zloss和完整交通状态数据的特征Ztrue，解码输出是新的交通状态数据矩阵
Figure BDA0002677368980000032
和新的邻接矩阵
Figure BDA0002677368980000033
GAE编码器表达式如下：
Figure BDA0002677368980000034
Figure BDA0002677368980000035
其中Z为编码后的特征矩阵，WG0和WG1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：
Figure BDA0002677368980000036
Figure BDA0002677368980000037
其中
Figure BDA0002677368980000038
为解码后的新的交通状态数据矩阵，WD0和WD1是解码器权重矩阵，BD0和BD1是解码器偏置矩阵，
Figure BDA0002677368980000039
为解码后的新邻接矩阵，ZT为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：
Figure BDA00026773689800000310
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：
Figure BDA0002677368980000041
Figure BDA0002677368980000042
l＝(1+(q-1)*aij) (12)
Figure BDA0002677368980000043
Figure BDA0002677368980000044
Figure BDA0002677368980000045
gaeloss2＝norm·loss2 (16)
gaeloss＝gaeloss1+α·gaeloss2 (17)
p为交通状态数据个数，m为车道数，aij为原邻接矩阵中第i行第j列元素，
Figure BDA0002677368980000046
为GAE解码得到的新邻接矩阵
Figure BDA0002677368980000047
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Zloss和完整道路交通状态数据的特征Ztrue，公式如(5)所示。
更进一步，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Zloss，输出G(Zloss)为完整道路交通状态数据的特征；
LSTM神经网络表达式如下：
ft＝σ(Wf[ht-1,xt]+bf) (18)
it＝σ(Wi[ht-1,xt]+bi) (19)
Figure BDA0002677368980000051
Figure BDA0002677368980000052
ot＝σ(Wo[ht-1,xt]+bo) (22)
ht＝ot*tanh(Ct) (23)
其中Wf为遗忘门权重矩阵，ht-1为上一时刻输出矩阵，xt为Zloss在当前时刻t的数据输入矩阵，bf为遗忘门偏置矩阵，ft为当前时刻遗忘门输出矩阵，Wi为输入门权重矩阵，bi为输入门偏置矩阵，it为当前时刻输入门输出矩阵，
Figure BDA0002677368980000053
为当前时刻暂时状态矩阵，WC为当前时刻暂时状态权重矩阵，bC为当前时刻暂时状态的偏置矩阵，Ct为当前时刻的细胞单元状态矩阵，Ct-1为上一时刻的细胞单元状态矩阵，ot为当前时刻输出门矩阵，Wo为输出门权重矩阵，bo为输出门偏置矩阵，ht为当前时刻最终输出，σ为Sigmoid函数，公式如(8)所示，tanh函数表达式如下：
Figure BDA0002677368980000054
生成器经过LSTM提取特征后，通过全连接层获取生成器的输出，生成器输出表达式如下：
G(Zloss)＝Sigmoid(WGht+bG) (25)
其中WG是生成器全连接层权重矩阵，bG为生成器全连接层偏置矩阵，G(Zloss)即为生成器生成的完整交通状态数据的特征。
所述步骤4)的过程如下：
定义GAN的判别器D结构，判别器使用全连接神经网络，判别器输入分别为生成器的输出G(Zloss)或者完整道路交通数据的特征Ztrue，对应判别器输出分别为D(G(Zloss))和D(Ztrue)，同时定义生成器和判别器损失函数：
Figure BDA0002677368980000055
Figure BDA0002677368980000061
其中n代表判别器输出的样本个数，p代表生成器输出的数据个数，Dloss为判别器损失函数，Gloss为生成器损失函数。
所述步骤5)的过程如下：
获取经过对抗训练得到的生成器生成完整交通状态数据的特征G(Zloss)。
所述步骤6)的过程如下：
将G(Zloss)作为GAE解码器的输入，经过GAE解码实现交通状态数据修复，解码过程如下：
Xrec＝Sigmoid(WD1(ReLU(WD0(G(Zloss))+BD0))+BD1) (28)
将Xrec反标准化，反标准化计算表达式如下：
Xpre＝Xrec(xmax-xmin)+xmin (29)
Xpre即为最终修复的交通状态数据。
本发明的技术构思为：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。
本发明的有益效果主要表现在：首先利用GAE编码提取路网交通状态数据的特征，再利用生成对抗网络对提取的特征进行对抗训练，其中生成器内部结构采用LSTM神经网络，判别器内部结构采用全连接神经网络，根据GAE编码提取的缺失交通状态数据的特征生成完整交通状态数据的特征，最后经过GAE解码实现对路网交通数据的修复，并且可以有效提高交通数据修复的准确性。
附图说明
图1是图自编码器GAE模型结构图。
图2是一种基于生成对抗网络实现路网交通数据修复的方法的模型结构图。
图3是数据修复结果实例。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一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：
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，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：
Figure BDA0002677368980000071
其中，xreal为道路的原始流量数据，xmin为道路原始流量数据中的最小值，xmax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：
Figure BDA0002677368980000072
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xit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：
Figure BDA0002677368980000081
qit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qij＝1，若缺失，则qij＝0，含有缺失数据的交通状态数据记为Xloss＝Xtrue*Q，*表示矩阵对应元素相乘；
2)基于GAE编码提取路网交通状态数据特征，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Xloss或者完整交通状态数据Xtrue，编码输出分别是缺失交通状态数据的特征Zloss和完整交通状态数据的特征Ztrue，解码输出是新的交通状态数据矩阵
Figure BDA0002677368980000082
和新的邻接矩阵
Figure BDA0002677368980000083
GAE编码器表达式如下：
Figure BDA0002677368980000084
Figure BDA0002677368980000085
其中Z为编码后的特征矩阵，WG0和WG1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：
Figure BDA0002677368980000086
Figure BDA0002677368980000087
其中
Figure BDA0002677368980000088
为解码后的新的交通状态数据矩阵，WD0和WD1是解码器权重矩阵，BD0和BD1是解码器偏置矩阵，
Figure BDA0002677368980000091
为解码后的新邻接矩阵，ZT为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：
Figure BDA0002677368980000092
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：
Figure BDA0002677368980000093
Figure BDA0002677368980000094
l＝(1+(q-1)*aij) (12)
Figure BDA0002677368980000095
Figure BDA0002677368980000096
Figure BDA0002677368980000097
gaeloss2＝norm·loss2 (16)
gaeloss＝gaeloss1+α·gaeloss2 (17)
p为交通状态数据个数，m为车道数，aij为原邻接矩阵中第i行第j列元素，
Figure BDA0002677368980000098
为GAE解码得到的新邻接矩阵
Figure BDA0002677368980000099
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Zloss和完整道路交通状态数据的特征Ztrue，公式如(5)所示。
3)基于LSTM构建路网交通状态数据生成器网络，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Zloss，输出G(Zloss)为完整道路交通状态数据的特征；
LSTM神经网络表达式如下：
ft＝σ(Wf[ht-1,xt]+bf) (18)
it＝σ(Wi[ht-1,xt]+bi) (19)
Figure BDA0002677368980000101
Figure BDA0002677368980000102
ot＝σ(Wo[ht-1,xt]bo) (22)
ht＝ot*tanh(Ct) (23)
其中Wf为遗忘门权重矩阵，ht-1为上一时刻输出矩阵，xt为Zloss在当前时刻t的数据输入矩阵，bf为遗忘门偏置矩阵，ft为当前时刻遗忘门输出矩阵，Wi为输入门权重矩阵，bi为输入门偏置矩阵，it为当前时刻输入门输出矩阵，
Figure BDA0002677368980000103
为当前时刻暂时状态矩阵，WC为当前时刻暂时状态权重矩阵，bC为当前时刻暂时状态的偏置矩阵，Ct为当前时刻的细胞单元状态矩阵，Ct-1为上一时刻的细胞单元状态矩阵，ot为当前时刻输出门矩阵，Wo为输出门权重矩阵，bo为输出门偏置矩阵，ht为当前时刻最终输出，σ为Sigmoid函数，公式如(8)所示，tanh函数表达式如下：
Figure BDA0002677368980000104
生成器经过LSTM提取特征后，通过全连接层获取生成器的输出，生成器输出表达式如下：
G(Zloss)＝Sigmoid(WGht+bG) (25)
其中WG是生成器全连接层权重矩阵，bG为生成器全连接层偏置矩阵，G(Zloss)即为生成器生成的完整交通状态数据的特征。
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，过程如下：
定义GAN的判别器D结构，判别器使用全连接神经网络，判别器输入分别为生成器的输出G(Zloss)或者完整道路交通数据的特征Ztrue，对应判别器输出分别为D(G(Zloss))和D(Ztrue)，同时定义生成器和判别器损失函数：
Figure BDA0002677368980000111
Figure BDA0002677368980000112
其中n代表判别器输出的样本个数，p代表生成器输出的数据个数，Dloss为判别器损失函数，Gloss为生成器损失函数；
5)基于生成对抗网络生成完整交通状态数据的特征，过程如下：
获取经过对抗训练得到的生成器生成完整交通状态数据的特征G(Zloss)。
6)基于GAE解码实现交通状态数据修复，过程如下：
将G(Zloss)作为GAE解码器的输入，经过GAE解码实现交通状态数据修复，解码过程如下：
Xrec＝Sigmoid(WD1(ReLU(WD0(G(Zloss))+BD0))+BD1) (28)
将Xrec反标准化，反标准化计算表达式如下：
Xpre＝Xrec(xmax-xmin)+xmin (29)
Xpre即为最终修复的交通状态数据。
实例，实施过程如下：
(1)选取实验数据
本实验选取西雅图高速路网数据集，实验选取23条道路检测器的车流量数据，数据采样间隔为5分钟。
模型输入为23条车道60天的车流量数据，并且按照一定的缺失比例模拟数据缺失，数据缺失类型为随机缺失，前80％数据用作训练，后20％数据用作测试集，模型输出为修复后的23条车道12天的车流量数据。
(2)参数确定
GAE中隐藏单元个数分别为32，16，生成器中的LSTM隐藏层神经元数量为64，判别器中全连接神经网络层数为4层，隐藏层神经元个数分别为32，64，32，1，α取0.0001，数据缺失比例设置为10％，20％，...，90％。
(3)实验结果
模型对缺失数据修复结果的评价指标包括均方根误差(MSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，计算方式分别为：
Figure BDA0002677368980000121
Figure BDA0002677368980000122
Figure BDA0002677368980000123
其中K代表缺失数据的个数，Xrec，Xtrue分别代表缺失处修复后的交通状态数据和真实数据，在不同的随机缺失比例下，模型对交通数据修复的实验结果如表1所示。
Figure BDA0002677368980000124
Figure BDA0002677368980000131
表1。

Claims (7)

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：
Figure RE-FDA0002825089890000011
其中，xreal为道路的原始流量数据，xmin为道路原始流量数据中的最小值，xmax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：
Figure RE-FDA0002825089890000012
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xit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：
Figure RE-FDA0002825089890000013
qit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qij＝1，若缺失，则qij＝0，含有缺失数据的交通状态数据记为Xloss＝Xtrue*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Xloss或者完整交通状态数据Xtrue，编码输出分别是缺失交通状态数据的特征Zloss和完整交通状态数据的特征Ztrue，解码输出是新的交通状态数据矩阵
Figure RE-FDA0002825089890000021
和新的邻接矩阵
Figure RE-FDA0002825089890000022
GAE编码器表达式如下：
Figure RE-FDA0002825089890000023
Figure RE-FDA0002825089890000024
其中Z为编码后的特征矩阵，WG0和WG1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：
Figure RE-FDA0002825089890000025
Figure RE-FDA0002825089890000026
其中
Figure RE-FDA0002825089890000027
为解码后的新的交通状态数据矩阵，WD0和WD1是解码器权重矩阵，BD0和BD1是解码器偏置矩阵，
Figure RE-FDA0002825089890000028
为解码后的新邻接矩阵，ZT为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：
Figure RE-FDA0002825089890000029
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：
Figure RE-FDA00028250898900000210
Figure RE-FDA00028250898900000211
l＝(1+(q-1)*aij) (12)
Figure RE-FDA00028250898900000212
Figure RE-FDA00028250898900000213
Figure RE-FDA00028250898900000214
gaeloss2＝norm·loss2 (16)
gaeloss＝gaeloss1+α·gaeloss2 (17)
p为交通状态数据个数，m为车道数，aij为原邻接矩阵中第i行第j列元素，
Figure RE-FDA0002825089890000031
为GAE解码得到的新邻接矩阵
Figure RE-FDA0002825089890000032
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Zloss和完整道路交通状态数据的特征Ztrue，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Zloss，输出G(Zloss)为完整道路交通状态数据的特征；
LSTM神经网络表达式如下：
ft＝σ(Wf[ht-1,xt]+bf) (18)
it＝σ(Wi[ht-1,xt]+bi) (19)
Figure RE-FDA0002825089890000033
Figure RE-FDA0002825089890000034
ot＝σ(Wo[ht-1,xt]+bo) (22)
ht＝ot*tanh(Ct) (23)
其中Wf为遗忘门权重矩阵，ht-1为上一时刻输出矩阵，xt为Zloss在当前时刻t的数据输入矩阵，bf为遗忘门偏置矩阵，ft为当前时刻遗忘门输出矩阵，Wi为输入门权重矩阵，bi为输入门偏置矩阵，it为当前时刻输入门输出矩阵，
Figure RE-FDA0002825089890000035
为当前时刻暂时状态矩阵，WC为当前时刻暂时状态权重矩阵，bC为当前时刻暂时状态的偏置矩阵，Ct为当前时刻的细胞单元状态矩阵，Ct-1为上一时刻的细胞单元状态矩阵，ot为当前时刻输出门矩阵，Wo为输出门权重矩阵，bo为输出门偏置矩阵，ht为当前时刻最终输出，σ为Sigmoid函数，公式如(8)所示，tanh函数表达式如下：
Figure RE-FDA0002825089890000036
生成器经过LSTM提取特征后，通过全连接层获取生成器的输出，生成器输出表达式如下：
G(Zloss)＝Sigmoid(WGht+bG) (25)
其中WG是生成器全连接层权重矩阵，bG为生成器全连接层偏置矩阵，G(Zloss)即为生成器生成的完整交通状态数据的特征。
5.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4)的过程如下：
定义GAN的判别器D结构，判别器使用全连接神经网络，判别器输入分别为生成器的输出G(Zloss)或者完整道路交通数据的特征Ztrue，对应判别器输出分别为D(G(Zloss))和D(Ztrue)，同时定义生成器和判别器损失函数：
Figure RE-FDA0002825089890000041
Figure RE-FDA0002825089890000042
其中n代表判别器输出的样本个数，p代表生成器输出的数据个数，Dloss为判别器损失函数，Gloss为生成器损失函数。
6.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5)的过程如下：
获取经过对抗训练得到的生成器生成完整交通状态数据的特征G(Zloss)。
7.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6)的过程如下：
将G(Zloss)作为GAE解码器的输入，经过GAE解码实现交通状态数据修复，解码过程如下：
Xrec＝Sigmoid(WD1(ReLU(WD0(G(Zloss))+BD0))+BD1) (28)
将Xrec反标准化，反标准化计算表达式如下：
Xpre＝Xrec(xmax-xmin)+xmin (29)
Xpre即为最终修复的交通状态数据。
CN202010952198.9A 2020-09-11 2020-09-11 一种基于生成对抗网络实现路网交通数据修复的方法 Active CN112330951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010952198.9A CN112330951B (zh) 2020-09-11 2020-09-11 一种基于生成对抗网络实现路网交通数据修复的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010952198.9A CN112330951B (zh) 2020-09-11 2020-09-11 一种基于生成对抗网络实现路网交通数据修复的方法

Publications (2)

Publication Number Publication Date
CN112330951A true CN112330951A (zh) 2021-02-05
CN112330951B CN112330951B (zh) 2021-12-17

Family

ID=74304039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010952198.9A Active CN112330951B (zh) 2020-09-11 2020-09-11 一种基于生成对抗网络实现路网交通数据修复的方法

Country Status (1)

Country Link
CN (1) CN112330951B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905379A (zh) * 2021-03-10 2021-06-04 南京理工大学 基于自我注意力机制的图自编码器的交通大数据修复方法
CN113033619A (zh) * 2021-03-04 2021-06-25 浙江工业大学 一种基于dvgae-gan的交通路网数据修复方法
CN113408191A (zh) * 2021-05-31 2021-09-17 上海师范大学 一种基于图自监督学习的pm2.5预测方法及存储介质
CN113821760A (zh) * 2021-11-23 2021-12-21 湖南工商大学 一种空气数据补全方法、装置、设备及存储介质
CN114925808A (zh) * 2022-04-15 2022-08-19 北京理工大学 一种基于云网端资源中不完整时间序列的异常检测方法
CN114944057A (zh) * 2022-04-21 2022-08-26 中山大学 一种路网交通流量数据的修复方法与***
CN114972082A (zh) * 2022-05-13 2022-08-30 天津大学 一种对高比例负荷缺失数据的恢复与评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191402A (zh) * 2018-09-03 2019-01-11 武汉大学 基于对抗生成神经网络的图像修复方法和***
CN110018927A (zh) * 2019-01-28 2019-07-16 北京工业大学 基于生成对抗网络的交通数据修复方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真***
CN110942624A (zh) * 2019-11-06 2020-03-31 浙江工业大学 一种基于sae-gan-sad的路网交通数据修复方法
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法
US10768629B2 (en) * 2018-07-24 2020-09-08 Pony Ai Inc. Generative adversarial network enriched driving simulation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10768629B2 (en) * 2018-07-24 2020-09-08 Pony Ai Inc. Generative adversarial network enriched driving simulation
CN109191402A (zh) * 2018-09-03 2019-01-11 武汉大学 基于对抗生成神经网络的图像修复方法和***
CN110018927A (zh) * 2019-01-28 2019-07-16 北京工业大学 基于生成对抗网络的交通数据修复方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真***
CN110942624A (zh) * 2019-11-06 2020-03-31 浙江工业大学 一种基于sae-gan-sad的路网交通数据修复方法
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033619A (zh) * 2021-03-04 2021-06-25 浙江工业大学 一种基于dvgae-gan的交通路网数据修复方法
CN112905379A (zh) * 2021-03-10 2021-06-04 南京理工大学 基于自我注意力机制的图自编码器的交通大数据修复方法
CN113408191A (zh) * 2021-05-31 2021-09-17 上海师范大学 一种基于图自监督学习的pm2.5预测方法及存储介质
CN113821760A (zh) * 2021-11-23 2021-12-21 湖南工商大学 一种空气数据补全方法、装置、设备及存储介质
CN114925808A (zh) * 2022-04-15 2022-08-19 北京理工大学 一种基于云网端资源中不完整时间序列的异常检测方法
CN114925808B (zh) * 2022-04-15 2023-10-10 北京理工大学 一种基于云网端资源中不完整时间序列的异常检测方法
CN114944057A (zh) * 2022-04-21 2022-08-26 中山大学 一种路网交通流量数据的修复方法与***
CN114972082A (zh) * 2022-05-13 2022-08-30 天津大学 一种对高比例负荷缺失数据的恢复与评估方法

Also Published As

Publication number Publication date
CN112330951B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN112330951B (zh) 一种基于生成对抗网络实现路网交通数据修复的方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111292525B (zh) 基于神经网络的交通流预测方法
CN111785014B (zh) 一种基于dtw-rgcn的路网交通数据修复的方法
CN111160520A (zh) 一种基于遗传算法优化的bp神经网络风速预测方法
CN110942624B (zh) 一种基于sae-gan-sad的路网交通数据修复方法
CN110580543A (zh) 一种基于深度信念网络的电力负荷预测方法及***
CN112733444A (zh) 基于CycleGAN神经网络的多步长时间序列预测方法
CN111242377A (zh) 一种集成深度学习和数据去噪的短期风速预测方法
CN111626764A (zh) 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN114912666A (zh) 一种基于ceemdan算法和注意力机制的短时客流量预测方法
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
CN117494034A (zh) 基于交通拥堵指数和多源数据融合的空气质量预测方法
CN113470316A (zh) 一种基于自编码单分类模型的泥石流监测预警方法
CN114662791A (zh) 一种基于时空注意力的长时序pm2.5预测方法及***
CN113112819A (zh) 一种基于改进lstm的图卷积交通速度预测方法
CN115687322A (zh) 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法
CN115982658A (zh) 一种基于联邦学习框架的水文数据异常识别与修复方法
CN116844041A (zh) 一种基于双向卷积时间自注意力机制的耕地提取方法
CN115862324A (zh) 一种智慧交通的时空同步图卷积神经网络及交通预测方法
CN113033619A (zh) 一种基于dvgae-gan的交通路网数据修复方法
CN112785056A (zh) 一种基于CatBoost和LSTM模型融合的短期负荷预测方法
CN116821784A (zh) 基于ST-Informer的船舶交通流量长序列时空预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant