CN115599779A - 一种城市道路交通缺失数据插值方法及相关设备 - Google Patents

一种城市道路交通缺失数据插值方法及相关设备 Download PDF

Info

Publication number
CN115599779A
CN115599779A CN202211496560.1A CN202211496560A CN115599779A CN 115599779 A CN115599779 A CN 115599779A CN 202211496560 A CN202211496560 A CN 202211496560A CN 115599779 A CN115599779 A CN 115599779A
Authority
CN
China
Prior art keywords
missing
traffic flow
road
data
interpolation
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
CN202211496560.1A
Other languages
English (en)
Other versions
CN115599779B (zh
Inventor
邓敏
谌恺祺
雷凯媛
石岩
陈袁芳
徐亮
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211496560.1A priority Critical patent/CN115599779B/zh
Publication of CN115599779A publication Critical patent/CN115599779A/zh
Application granted granted Critical
Publication of CN115599779B publication Critical patent/CN115599779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

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

Abstract

本发明提供了一种城市道路交通缺失数据插值方法及相关设备，包括：获取目标城市的路网数据以及与路网数据对应的历史交通流数据；根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到第一权重矩阵；根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到第二权重矩阵；对历史交通流数据进行数据增强；对多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型；将第一权重矩阵、第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果；解决了现有技术在时空异质的缺失模式下模型适应能力较差，无法提供可靠插值结果的问题。

Description

一种城市道路交通缺失数据插值方法及相关设备
技术领域
本发明涉及智能交通技术领域，特别涉及一种城市道路交通缺失数据插值方法及相关设备。
背景技术
城市道路交通流状况监测数据的完整性和准确性在交通分析过程中至关重要的数据指标。高质量、精细化的数据支撑可提高交通诱导、动态调控、路径规划等下游实时决策分析任务的可靠性，从而保证城市智能交通***（ITS）的有效稳定运行。随着信息通信技术的高速发展，大数据时代下城市路网交通流状况监测手段愈加丰富，以地感线圈、视频探头等为代表的固定型传感设备和以浮动车GPS轨迹数据为代表的移动性传感设备，可实现海量、实时的交通流数据获取。
然而，在呈现数据量爆发式增长的同时，如何提高数据质量仍是交通流数据获取流程中亟待解决的问题。其中，交通流数据缺失是实际交通环境中最为常见的问题之一。一方面，传感器自身故障损坏、通讯传输异常、定位精度不稳定等设备问题会导致大量数据丢失，另一方面，城市交通是受人、车、路、环境等多方面综合交互作用的复杂动态***，浮动车GPS轨迹这种众源类型的交通感知方式更易受到居民出行模式、城市功能分区、城市人类活动、天气因素等影响，呈现出时空稀疏性，进而导致由其估计得到的胶筒流数据缺失情况更不稳定。真实交通场景下缺失模式的高度复杂性和异质性大大增加了交通流数据处理工作的难度。
为了获得覆盖全路网空间的完备交通流数据，现有方法的侧重点大多在于如何充分挖掘与利用交通流的空间、时间、属性等相关信息，二较少考虑真实交通环境中复杂异质的缺失机制。现有方法大多针对单一缺失场景进行数据生成和模型设计，虽能在特定场景下去的较好的查补结果，但实际情况中交通流数据的缺失类型、缺失程度都是时空异质与动态变化的，这会导致模型在不同缺失情境下精度波动较大，适应性较差，特别是基于数据驱动方法的插值性能会更为敏感。例如，大多数模型仅考虑了空间邻近关系，而不是有效应对大比例连续块缺失情形；在高缺失率下，属性关联因子与交通流变量之间的函数关系存在偏差，会使基于属性相似性的差值方法精度大幅度降低。
发明内容
本发明提供了一种城市道路交通缺失数据插值方法及相关设备，其目的是为了解决现有技术仅针对单一缺失场景进行设计，未考虑真实交通环境中的复杂动态缺失机制，导致在时空异质的缺失模式下模型适应能力较差，无法提供可靠插值结果的问题。
为了达到上述目的，本发明提供了一种城市道路交通缺失数据插值方法，包括：
步骤1，获取目标城市的路网数据以及与路网数据对应的历史交通流数据；
步骤2，根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到空间拓扑邻近图的第一权重矩阵；
步骤3，根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到环境属性相似图的第二权重矩阵；
步骤4，对历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
步骤5，将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，并根据交通流数据插值结果、真实交通流标签和缺失掩膜，对多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型；
步骤6，将第一权重矩阵、第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
进一步来说，空间拓扑邻近图为：
Figure 583105DEST_PATH_IMAGE001
其中，
Figure 933315DEST_PATH_IMAGE002
表示所有路段的集合，
Figure 210581DEST_PATH_IMAGE003
，
Figure 861005DEST_PATH_IMAGE004
为路段的总数量，
Figure 785099DEST_PATH_IMAGE005
表示第
Figure 807892DEST_PATH_IMAGE004
条路段，
Figure 108424DEST_PATH_IMAGE006
表示路段间的拓扑邻近关系，
Figure 82196DEST_PATH_IMAGE007
，
Figure 973929DEST_PATH_IMAGE008
表示第一权重矩阵，
Figure 767572DEST_PATH_IMAGE009
，当路段与路段之间相互连接时，
Figure 606215DEST_PATH_IMAGE010
的对应值为1，反之其对应值为0。
进一步来说，环境属性相似图为：
Figure 729767DEST_PATH_IMAGE011
其中，
Figure 995663DEST_PATH_IMAGE012
表示所有路段的集合，
Figure 73340DEST_PATH_IMAGE013
，
Figure 450095DEST_PATH_IMAGE014
为路段的总数量，
Figure 929618DEST_PATH_IMAGE005
表示第
Figure 366416DEST_PATH_IMAGE004
条路段，
Figure 931389DEST_PATH_IMAGE015
表示路段间的环境属性相似关系，
Figure 111835DEST_PATH_IMAGE016
，
Figure 947329DEST_PATH_IMAGE017
表示第二权重矩阵，
Figure 555028DEST_PATH_IMAGE018
。
进一步来说，步骤4包括：
步骤4.1，设置在数据增强时的相关参数，相关参数包括需要生成的缺失类型集合、缺失率范围和生成实例数量；
步骤4.2，根据缺失率，确定缺失路段数量；
步骤4.3，根据缺失类型，确定缺失采样规则；
步骤4.4，在缺失率范围和缺失类型中分别选择一个缺失率和一种缺失类型，并根据生成实例数量，生成在该缺失率和该缺失类型下与生成实例数量对应的缺失掩膜、增强交通流数据和真实交通流标签；
步骤4.5，根据缺失类型集合、缺失率范围和生成实例数量，生成一系列缺失掩膜集合、增强交通流数据集合和真实交通流标签集合；
步骤4.6，对缺失掩膜集合、增强交通流数据集合和真实交通流标签集合进行随机乱序排列。
进一步来说，步骤4.3具体包括：
缺失类型包括随机缺失、块状缺失和混合缺失；
初始化缺失路段序号集合和观测路段序号集合，观测路段序号集合包含所有路段的序号；
针对随机缺失，随机选择
Figure 872877DEST_PATH_IMAGE019
条缺失路段，将相应路段序号加入到缺失路段序号集合，并从观测路段序号集合中移除相应路段序号；
针对块状缺失，设置每个缺失块的最小缺失路段数量参数
Figure 857013DEST_PATH_IMAGE020
，并根据最小缺失路段数量参数
Figure 45549DEST_PATH_IMAGE020
计算缺失块的数量
Figure 824149DEST_PATH_IMAGE021
；
对于一个缺失块，从观测路段序号中随机选取一条路段作为种子点路段，在空间拓扑邻近图中以种子点路段的k阶拓扑邻域作为扩展范围，搜索满足在种子点路段的
Figure 363715DEST_PATH_IMAGE022
阶邻域范围内、且路段序号在观测路段序号中的路段，选择相应数量的路段加入到该缺失块，并更新缺失路段序号集合和观测路段序号集合，直至满足该缺失块的缺失路段的数量要求，循环生成
Figure 885963DEST_PATH_IMAGE021
个缺失块；
针对混合缺失，设置混合缺失中块状缺失路段数量所占比例，计算块状缺失路段的数量和随机缺失路段的数量，按照相应规则和数量要求选择缺失路段；
根据缺失路段序号和观测路段序号，确定缺失掩膜、增强交通流数据和真实交通流标签。
进一步来说，步骤5包括：
步骤5.1，设置空间拓扑邻近图和环境属性相似图的加权融合权重参数；
步骤5.2，基于第一权重矩阵和第二权重矩阵，通过三个多图卷积层，对增强交通流数据进行卷积操作，得到多图卷积结果；
步骤5.3，将多图卷积结果输入线性变换层，得到交通流缺失数据插值结果。
进一步来说，步骤5还包括：
使用加权均方误差作为损失函数，计算交通缺失数据插值结果与真实交通流标签的误差为：
Figure 693120DEST_PATH_IMAGE024
其中，
Figure 111463DEST_PATH_IMAGE025
为训练数据集中样本的数量，
Figure 341587DEST_PATH_IMAGE026
为缺失样本权重，
Figure 401947DEST_PATH_IMAGE027
为非缺失样本权重，
Figure 565075DEST_PATH_IMAGE028
为哈达玛积，
Figure 170631DEST_PATH_IMAGE029
为缺失掩膜，
Figure 419210DEST_PATH_IMAGE030
为交通缺失数据插值结果，
Figure 548840DEST_PATH_IMAGE031
为真实交通流标签；
根据反向传播算法，将误差传回多图卷积插值模型中的各可学习网络参数；
利用Adam优化器，根据误差调整更新多图卷积插值模型中的各可学习网络参数；
迭代训练所述多图卷积插值模型，直至误差达到预设阈值，保存多图卷积插值模型的可学习网络参数，得到已训练完成的多图卷积插值模型。
本发明还提供了一种城市道路交通缺失数据插值装置，包括：
获取模块，用于获取目标城市的路网数据以及与路网数据对应的历史交通流数据；
第一计算模块，用于根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到空间拓扑邻近图的第一权重矩阵；
第二计算模块，用于根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到环境属性相似图的第二权重矩阵；
增强模块，用于对历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
训练模块，用于将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，并根据交通流数据插值结果、真实交通流标签和缺失掩膜，对多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型；
插值模块，用于将第一权重矩阵、第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
本发明还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行计算机程序，用于实现上述的城市道路交通缺失数据插值方法。
本发明还提供了一种城市道路交通缺失数据插值设备，用于实现上述的城市道路交通缺失数据插值方法，包括：存储器和处理器；
存储器用于储存计算机程序；
处理器用于执行存储器存储的计算机程序。
本发明的上述方案有如下的有益效果：
本发明通过获取目标城市的路网数据及与路网数据对应的历史交通流数据，根据路网数据构建空间拓扑邻近图和环境属性相似图获取第一权重矩阵和第二权重矩阵，对历史交通流数据进行处理，得到缺失掩膜、增强交通流数据和真实交通流标签，并将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型，对增强交通流数据进行插值处理，得到交通流数据插值结果，利用交通流数据插值结果、缺失掩膜和真实交通流标签对多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型，通过已训练完成的多图卷积插值模型对当前的交通流数据进行插值处理，得到目标交通流数据插值结果；解决了现有技术仅针对单一缺失场景进行设计，未考虑真实交通环境中的复杂动态缺失机制，导致在时空异质的缺失模式下模型适应能力较差，无法提供可靠插值结果的问题。
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例的流程框图；
图2为本发明实施例中进行数据增强处理的流程示意图；
图3为本发明实施例中MAPE插值误差的空间分布可视化结果，其中（a）为随机缺失情形下MAPE插值误差的空间分布可视化结果；（b）为块状缺失情形下MAPE插值误差的空间分布可视化结果；（c）为混合缺失情形下MAPE插值误差的空间分布可视化结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明针对现有的问题，提供了一种城市道路交通缺失数据插值方法及相关设备。
本发明实施例获取深圳市2012年1月1日至2012年1月31日出租车GPS轨迹数据与中心城区共959条路段构成的城市路网数据作为具体的实验数据集，对本发明的城市道路交通缺失数据插值方法作进一步说明。
如图1所示，本发明的实施例提供了一种城市道路交通缺失数据插值方法，包括：
步骤1，获取目标城市的路网数据以及与路网数据对应的历史交通流数据和当前的交通流数据；
步骤2，根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到空间拓扑邻近图的第一权重矩阵；
步骤3，根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到环境属性相似图的第二权重矩阵；
步骤4，对历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
步骤5，将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，并根据交通流数据插值结果、真实交通流标签和缺失掩膜迭代训练多图卷积插值模型，得到已训练完成的多图卷积插值模型；
步骤6，将第一权重矩阵、第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
首先是获取目标城市的路网数据以及与路网数据对应的历史交通流数据；
具体来说，对出租车GPS轨迹数据进行滤除异常值和重复值、地图匹配等预处理，通过单位时间内出租车经过目标路段平均通行速度计算交通流速度参数，以交通流速度参数作为交通流特征，时间戳间隔为10分钟，得到历史交通流数据
Figure 832054DEST_PATH_IMAGE032
，其中，
Figure 123358DEST_PATH_IMAGE004
为路段的总数量，
Figure 859232DEST_PATH_IMAGE033
为时间戳的总数量。
然后根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到空间拓扑邻近图的第一权重矩阵；
具体来说，根据路网数据，将城市道路间的空间拓扑邻近性，将城市路网表示为空间拓扑邻近图
Figure 526974DEST_PATH_IMAGE034
，其中，
Figure 838263DEST_PATH_IMAGE035
表示所有路段的集合；
Figure 300469DEST_PATH_IMAGE036
表示路段间的拓扑邻近关系；对于权重矩阵
Figure 523640DEST_PATH_IMAGE037
，若路段
Figure 729493DEST_PATH_IMAGE038
和
Figure 721720DEST_PATH_IMAGE039
之间相互连接，则
Figure 354826DEST_PATH_IMAGE040
，反之为0。
再然后根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到环境属性相似图的第二权重矩阵；
根据道路间的环境属性相似性，将城市路网表示为环境属性相似图
Figure 563829DEST_PATH_IMAGE041
，其中
Figure 307794DEST_PATH_IMAGE042
表示路段间的环境属性相似关系；对于权重矩阵
Figure 420106DEST_PATH_IMAGE043
，通过公式（1）计算路段
Figure 224114DEST_PATH_IMAGE038
和
Figure 421877DEST_PATH_IMAGE039
之间环境属性特征向量的相似性得到权重
Figure 969533DEST_PATH_IMAGE044
的值。
Figure 936352DEST_PATH_IMAGE045
（1）
其中，路段的环境属性特征向量包括数值型特征（如道路长度、度中心性等）和类别型特征（如道路等级等），通过计算环境属性特征向量的欧式距离来代表向量相似性。上式中，
Figure 176841DEST_PATH_IMAGE046
和
Figure 289329DEST_PATH_IMAGE047
分别代表路段
Figure 640676DEST_PATH_IMAGE038
的第
Figure 462002DEST_PATH_IMAGE022
个数值型特征和类别型特征，
Figure 873391DEST_PATH_IMAGE048
和
Figure 780167DEST_PATH_IMAGE049
分别代表数值型特征和类别型特征的数量，
Figure 138468DEST_PATH_IMAGE050
为调节因子，通过各类特征的重要性来调节加权权重，
Figure 578414DEST_PATH_IMAGE051
为指示函数，若
Figure 160705DEST_PATH_IMAGE047
和
Figure 554777DEST_PATH_IMAGE052
相等，则
Figure 247927DEST_PATH_IMAGE053
，反之为1，因此由上式可知，若路段和路段之间的环境属性越相似，权重
Figure 778265DEST_PATH_IMAGE044
的值越大。
具体来说，如图2所示，步骤4包括：
步骤4.1，设置在数据增强时的相关参数，相关参数包括需要生成的缺失类型集合、缺失率范围和生成实例数量；
步骤4.2，根据缺失率，确定缺失路段数量；
步骤4.3，根据缺失类型，确定缺失采样规则；
步骤4.4，在缺失率范围和缺失类型中分别选择一个缺失率和一种缺失类型，并根据生成实例数量，生成在该缺失率和该缺失类型下与生成实例数量对应的缺失掩膜、增强交通流数据和真实交通流标签；
步骤4.5，根据缺失类型集合、缺失率范围和生成实例数量，生成一系列缺失掩膜集合、增强交通流数据集合和真实交通流标签集合；
步骤4.6，对缺失掩膜集合、增强交通流数据集合和真实交通流标签集合进行随机乱序排列。
具体来说，在本发明实施例中以某个时间戳的历史交通流数据
Figure 531458DEST_PATH_IMAGE054
为例，通过以下步骤生成缺失实例：
根据设置的缺失率确定缺失路段数据，以某个缺失率
Figure 412826DEST_PATH_IMAGE055
（百分数形式）为例，交通流数据的缺失路段总数量为
Figure 909666DEST_PATH_IMAGE056
，其中
Figure 327135DEST_PATH_IMAGE057
代表向下取整数部分。
根据不同缺失类型相应的规则生成单个缺失实例，具体步骤如下：
将缺失路段序号集合记为
Figure 985649DEST_PATH_IMAGE058
，观测路段序号集合记为
Figure 354313DEST_PATH_IMAGE059
，观测路段序号集合
Figure 389266DEST_PATH_IMAGE060
包含所有路段的序号。对缺失路段序号集合进行初始化，即
Figure 159775DEST_PATH_IMAGE061
。
针对随机缺失，随机选择
Figure 192454DEST_PATH_IMAGE019
条缺失路段，将相应路段序号加入到缺失路段序号集合
Figure 48414DEST_PATH_IMAGE062
，并从观测路段序号集合
Figure 651171DEST_PATH_IMAGE063
中移除相应路段序号；
针对块状缺失，设置每个缺失块的最小缺失路段数量参数
Figure 10609DEST_PATH_IMAGE020
，并根据最小缺失路段数量参数
Figure 479767DEST_PATH_IMAGE020
计算缺失块的数量
Figure 557445DEST_PATH_IMAGE064
；
对于一个缺失块，从观测路段序号集合
Figure 199779DEST_PATH_IMAGE065
中随机选取一条路段作为初始的种子点路段，在空间拓扑邻近图
Figure 679301DEST_PATH_IMAGE066
中以种子点路段的
Figure 116099DEST_PATH_IMAGE067
阶拓扑邻域为扩展区域，搜索满足在种子点路段的
Figure 182537DEST_PATH_IMAGE022
阶邻域范围内、且路段序号在观测路段序号集合
Figure 362983DEST_PATH_IMAGE063
中的路段，选择相应数量的路段加入到该缺失块，并更新缺失路段序号集合
Figure 962592DEST_PATH_IMAGE068
和观测路段序号集合
Figure 304711DEST_PATH_IMAGE069
，将相应路段序号加入到缺失路段序号集合
Figure 356981DEST_PATH_IMAGE070
，并从观测路段序号集合
Figure 341117DEST_PATH_IMAGE071
中移除相应路段序号；
若该缺失块路段数量尚未达到最小缺失路段数量参数
Figure 795232DEST_PATH_IMAGE020
要求，则继续扩展搜索范围至
Figure 573833DEST_PATH_IMAGE072
阶拓扑邻域；初始化
Figure 611934DEST_PATH_IMAGE073
，即一阶拓扑直接相邻的路段。
重复前两个步骤，在不同邻域范围下进行扩展，直到该缺失块路段数量满足要求，即可模拟拓扑邻接的连续块状缺失；
重复前三个步骤，生成
Figure 134182DEST_PATH_IMAGE021
个缺失块，其中最后一个缺失块的路段数量更新为
Figure 442803DEST_PATH_IMAGE074
，即确保缺失路段数量满足
Figure 392305DEST_PATH_IMAGE019
的要求。
针对混合缺失，设置混合缺失中块状缺失路段数量所占比例
Figure 153587DEST_PATH_IMAGE075
，计算块状缺失路段的数量
Figure 479527DEST_PATH_IMAGE076
和随机缺失路段的数量
Figure 642655DEST_PATH_IMAGE077
，按照相应规则和数量要求选择缺失路段；
按照块状缺失规则生成块状缺失情形，将其中的缺失路段数据
Figure 467785DEST_PATH_IMAGE019
替换为
Figure 981942DEST_PATH_IMAGE078
即可得到的
Figure 845993DEST_PATH_IMAGE078
条块状缺失路段。
按照随机缺失规则生成随机缺失情形，将其中的缺失路段数据
Figure 863628DEST_PATH_IMAGE019
替换为
Figure 686090DEST_PATH_IMAGE079
即可得到
Figure 421965DEST_PATH_IMAGE079
条随机缺失路段。
根据缺失路段序号集合
Figure 89707DEST_PATH_IMAGE080
和观测路段序号集合
Figure 961848DEST_PATH_IMAGE071
，确定缺失掩膜
Figure 188168DEST_PATH_IMAGE081
、增强交通流数据
Figure 614601DEST_PATH_IMAGE082
和真实交通流标签
Figure 820454DEST_PATH_IMAGE083
。
其中，缺失掩膜用于表示路段的交通流数据是否缺失，设定缺失路段序号集合
Figure 812681DEST_PATH_IMAGE080
中的路段在
Figure 711367DEST_PATH_IMAGE084
中对应的值为1，设定观测路段序号集合
Figure 156255DEST_PATH_IMAGE085
中的路段在
Figure 165799DEST_PATH_IMAGE084
中对应的值为0，计算增强交通流数据
Figure 791295DEST_PATH_IMAGE086
为：
Figure 595303DEST_PATH_IMAGE087
（2）
其中，
Figure 793066DEST_PATH_IMAGE028
代表哈达玛积，即将增强交通流数据
Figure 340722DEST_PATH_IMAGE086
中交通流缺失的路段的特征值设置为0。
根据生成实例数量，重复上述步骤，生成某个缺失率和缺失类型下生成与实例数量对应的缺失掩膜
Figure 307541DEST_PATH_IMAGE088
、增强交通流数据
Figure 282451DEST_PATH_IMAGE089
和真实交通流标签
Figure 967510DEST_PATH_IMAGE090
；
根据缺失类型集合、缺失率范围和生成实例数量，生成一系列缺失实例，包括缺失掩膜集合
Figure 584436DEST_PATH_IMAGE091
、增强交通流数据集合
Figure 638717DEST_PATH_IMAGE092
和真实交通流标签集合
Figure 315686DEST_PATH_IMAGE093
。其中，生成缺失实例总数量为
Figure 222462DEST_PATH_IMAGE094
，
Figure 111921DEST_PATH_IMAGE095
为生成缺失类型的总数量，
Figure 53332DEST_PATH_IMAGE096
为生成缺失率的总数量，
Figure 573306DEST_PATH_IMAGE097
为生成实例数量。
根据所有时间戳下的交通流数据样本，重复上述步骤，生成一系列缺失实例，最终得到所有时间戳下的增强交通流数据集合
Figure 764116DEST_PATH_IMAGE098
、缺失掩膜集合
Figure 161993DEST_PATH_IMAGE099
以及真实交通流标签集合
Figure 957911DEST_PATH_IMAGE100
。即可扩充
Figure 711103DEST_PATH_IMAGE101
个模拟缺失样本，包含了不同缺失类型和缺失率的异质缺失模式。
对
Figure 858051DEST_PATH_IMAGE101
个模拟缺失样本进行随机打乱，得到打乱后的增强交通流数据集合
Figure 89312DEST_PATH_IMAGE102
、缺失掩膜集合
Figure 208578DEST_PATH_IMAGE103
和真实交通流标签集合
Figure 132671DEST_PATH_IMAGE104
。
步骤5，将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，具体步骤如下：
步骤5.1 设置空间拓扑邻近图和环境属性相似图的加权融合权重参数；
在本发明实施例中，通过设置空间拓扑邻近图和环境属性相似图的加权融合权重
Figure 999871DEST_PATH_IMAGE105
和
Figure 769244DEST_PATH_IMAGE106
，为可学习网络参数，初始值均为0.5。经过
Figure 743016DEST_PATH_IMAGE107
函数进行归一化得到
Figure 838011DEST_PATH_IMAGE108
和
Figure 693971DEST_PATH_IMAGE109
为：
Figure 532614DEST_PATH_IMAGE110
（3）
Figure 157631DEST_PATH_IMAGE111
（4）
步骤5.2 基于第一权重矩阵和第二权重矩阵，通过三个多图卷积层，对增强交通流数据进行卷积操作，得到多图卷积结果；
在本发明实施例中，通过三个多图卷积层，根据空间拓扑邻近图的第一权重矩阵
Figure 597096DEST_PATH_IMAGE010
和环境属性相似图的第二权重矩阵
Figure 674773DEST_PATH_IMAGE112
，对输入状态
Figure 582686DEST_PATH_IMAGE113
进行卷积操作：
Figure 265472DEST_PATH_IMAGE114
（5）
Figure 702269DEST_PATH_IMAGE115
（6）
其中，
Figure 31357DEST_PATH_IMAGE116
为多图卷积层的数量，
Figure 946223DEST_PATH_IMAGE117
，
Figure 749094DEST_PATH_IMAGE118
为单位矩阵；
Figure 356793DEST_PATH_IMAGE119
为
Figure 409063DEST_PATH_IMAGE120
的度矩阵，为一个对角矩阵，对角线上元素
Figure 393199DEST_PATH_IMAGE121
。将
Figure 552042DEST_PATH_IMAGE122
和
Figure 330642DEST_PATH_IMAGE123
代入到公式（6）中，即可得到
Figure 135787DEST_PATH_IMAGE124
和
Figure 861297DEST_PATH_IMAGE125
。
Figure 638761DEST_PATH_IMAGE126
和
Figure 588262DEST_PATH_IMAGE127
为该多图卷积层的可学习网络参数，
Figure 113659DEST_PATH_IMAGE128
为激活函数，
Figure 439598DEST_PATH_IMAGE028
为哈达玛积。
以增强交通流数据
Figure 602726DEST_PATH_IMAGE129
为初始输入数据，按照上述步骤，经过三层的多图卷积层，得到多图卷积结果
Figure 926391DEST_PATH_IMAGE130
。其中可学习网络参数包括
Figure 237287DEST_PATH_IMAGE131
、
Figure 304600DEST_PATH_IMAGE132
、
Figure 280822DEST_PATH_IMAGE133
、
Figure 837705DEST_PATH_IMAGE134
、
Figure 573580DEST_PATH_IMAGE135
、
Figure 241322DEST_PATH_IMAGE136
、
Figure 113463DEST_PATH_IMAGE137
、
Figure 106827DEST_PATH_IMAGE138
、
Figure 64419DEST_PATH_IMAGE139
、
Figure 535851DEST_PATH_IMAGE140
、
Figure 495455DEST_PATH_IMAGE141
、
Figure 128561DEST_PATH_IMAGE142
。
步骤5.3 将多图卷积结果输入线性变换层，得到交通流缺失数据插值结果；
在本发明实施例中，多图卷积结果
Figure 839028DEST_PATH_IMAGE143
通过可学习网络参数
Figure 848573DEST_PATH_IMAGE144
和
Figure 898568DEST_PATH_IMAGE145
，经过一个线性变换层得到完整的交通流缺失数据插值结果
Figure 968156DEST_PATH_IMAGE146
，其中
Figure 667383DEST_PATH_IMAGE144
和
Figure 480619DEST_PATH_IMAGE147
为可学习网络参数。
具体来说，步骤5还包括：根据所述交通流数据插值结果、所述真实交通流标签和所述缺失掩膜，对所述多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型。
在本发明实施例中，按照一定比例将增强数据集划分为训练集
Figure 447438DEST_PATH_IMAGE148
、验证集
Figure 422347DEST_PATH_IMAGE149
和测试集
Figure 107406DEST_PATH_IMAGE150
。通过在训练集
Figure 662015DEST_PATH_IMAGE148
计算交通缺失数据插值结果
Figure 483341DEST_PATH_IMAGE151
与真实交通流标签
Figure 127687DEST_PATH_IMAGE152
之间的误差，来不断训练优化步骤4中多图卷积插值模型的可学习网络参数
Figure 34463DEST_PATH_IMAGE153
、
Figure 596025DEST_PATH_IMAGE154
、
Figure 537436DEST_PATH_IMAGE131
、
Figure 90034DEST_PATH_IMAGE155
、
Figure 687368DEST_PATH_IMAGE156
、
Figure 380518DEST_PATH_IMAGE134
、
Figure 176436DEST_PATH_IMAGE135
、
Figure 929628DEST_PATH_IMAGE136
、
Figure 14259DEST_PATH_IMAGE137
、
Figure 275213DEST_PATH_IMAGE138
、
Figure 394479DEST_PATH_IMAGE139
、
Figure 521835DEST_PATH_IMAGE140
、
Figure 890500DEST_PATH_IMAGE141
、
Figure 925452DEST_PATH_IMAGE142
、
Figure 430382DEST_PATH_IMAGE157
、
Figure 230105DEST_PATH_IMAGE147
，直到误差满足要求时，使得多图卷积插值模型在验证集
Figure 554907DEST_PATH_IMAGE158
中具有最低误差，保存模型参数，得到已训练完成的多图卷积插值模型；主要包括以下步骤：
步骤5.4 设计一种加权自适应损失函数改进方式，使用加权均方误差作为损失函数
Figure 596812DEST_PATH_IMAGE159
计算交通缺失数据插值结果
Figure 189205DEST_PATH_IMAGE160
与真实交通流标签
Figure 923943DEST_PATH_IMAGE161
之间的误差
Figure 204883DEST_PATH_IMAGE162
为：
Figure 50479DEST_PATH_IMAGE163
（7）
其中，其中，
Figure 512027DEST_PATH_IMAGE025
为训练数据集中样本的数量，
Figure 948825DEST_PATH_IMAGE164
为缺失样本权重，
Figure 451481DEST_PATH_IMAGE165
为非缺失样本权重，
Figure 366348DEST_PATH_IMAGE028
为哈达玛积，
Figure 700377DEST_PATH_IMAGE166
为缺失掩膜，
Figure 744294DEST_PATH_IMAGE030
为交通缺失数据插值结果，
Figure 530984DEST_PATH_IMAGE031
为真实交通流标签，即在均方误差的基础上，设置缺失样本权重
Figure 515121DEST_PATH_IMAGE164
与非缺失样本权重
Figure 438078DEST_PATH_IMAGE165
进行调整，使得多图卷积插值模型能保持缺失数据插值任务为主导优化方向。
步骤5.5 根据反向传播算法，将误差传回多图卷积插值模型中的各可学习网络参数。
步骤5.6 利用Adam优化器，根据误差调整更新多图卷积插值模型中的各可学习网络参数。
步骤5.7 通过重复上述步骤，反复进行迭代更新，直到多图卷积插值模型在验证集
Figure 186984DEST_PATH_IMAGE158
中的误差达到预设阈值，停止训练，保存多图卷积插值模型参数。
最终经过已训练完成的交通缺失数据插值模型，可面向真实情况中复杂异质缺失模式场景。
具体来说，步骤6中当前的交通流数据与目标城市的路网数据对应，将所述第一权重矩阵、所述第二权重矩阵、以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
本发明实施例选取了多种方法与本发明的城市道路交通缺失数据插值方法进行插值精度的对比分析，以验证本发明的城市道路交通缺失数据插值方法的有效性。
对比方法包括：①克里金方法（Kriging）②K近邻方法（KNN）③人工神经网络模型（ANN）④基于空间拓扑邻近图的图卷积模型（A-GCN）⑤基于环境属性相似图的图卷积模型（S-GCN）。主要包括以下步骤：
选择平均绝对百分误差MAPE作为插值精度评价指标，其计算公式为：
Figure 460971DEST_PATH_IMAGE167
（8）
其中，
Figure 248798DEST_PATH_IMAGE168
和
Figure 26261DEST_PATH_IMAGE169
分别代表测试集
Figure 444604DEST_PATH_IMAGE150
中第
Figure 205887DEST_PATH_IMAGE170
个交通缺失样本交通流特征估计值和真实值，
Figure 702465DEST_PATH_IMAGE171
代表测试集
Figure 131172DEST_PATH_IMAGE150
中所有交通缺失样本的数量。
本发明方法与其他对比方法在不同缺失类型（包括随机缺失、块状缺失和混合缺失）以及不同缺失率（10%至60%）下插值精度的对比结果，如表1所示。
表1
Figure 189258DEST_PATH_IMAGE172
由上表可已看出，本发明方法相较于其他对比方法在缺失数据的插值精度上具有一定优势性。如图3所示，本发明方法在缺失率为30%时在随机缺失、块状缺失和混合缺失情形下MAPE插值误差的空间分布可视化结果。从图3可以看出，本发明方法插值能实现较好的插值结果，插值误差较大的路段主要集中于路网边缘。
综上所述，本发明实施例通过获取目标城市的路网数据及与路网数据对应的历史交通流数据，根据路网数据构建空间拓扑邻近图和环境属性相似图获取第一权重矩阵和第二权重矩阵，对历史交通流数据进行处理，得到缺失掩膜、增强交通流数据和真实交通流标签，并将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型，对增强交通流数据进行插值处理，得到交通流数据插值结果，利用交通流数据插值结果、缺失掩膜和真实交通流标签对多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型，通过已训练完成的多图卷积插值模型对当前的交通流数据进行插值处理，得到目标交通流数据插值结果；解决了现有技术仅针对单一缺失场景进行设计，未考虑真实交通环境中的复杂动态缺失机制，导致在时空异质的缺失模式下模型适应能力较差，无法提供可靠插值结果的问题。
本发明实施例还提供了一种城市道路交通缺失数据插值装置，包括：
获取模块，用于获取目标城市的路网数据以及与路网数据对应的历史交通流数据；
第一计算模块，用于根据路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到空间拓扑邻近图的第一权重矩阵；
第二计算模块，用于根据路网数据中道路间的环境属性相似性构建环境属性相似图，得到环境属性相似图的第二权重矩阵；
增强模块，用于对历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
训练模块，用于将第一权重矩阵、第二权重矩阵以及增强交通流数据输入多图卷积插值模型，对增强交通流数据进行插值处理，得到交通流数据插值结果，并根据交通流数据插值结果、真实交通流标签和缺失掩膜迭代训练多图卷积插值模型，得到已训练完成的多图卷积插值模型；
插值模块，用于将第一权重矩阵、第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行计算机程序，用于实现上述的城市道路交通缺失数据插值方法。
本发明实施例还提供了一种城市道路交通缺失数据插值设备，用于实现上述的城市道路交通缺失数据插值方法，包括：存储器和处理器；
存储器用于储存计算机程序；
处理器用于执行存储器存储的计算机程序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种城市道路交通缺失数据插值方法，其特征在于，包括：
步骤1，获取目标城市的路网数据以及与所述路网数据对应的历史交通流数据；
步骤2，根据所述路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到所述空间拓扑邻近图的第一权重矩阵；
步骤3，根据所述路网数据中道路间的环境属性相似性构建环境属性相似图，得到所述环境属性相似图的第二权重矩阵；
步骤4，对所述历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
步骤5，将所述第一权重矩阵、所述第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，并根据所述交通流数据插值结果、所述真实交通流标签和所述缺失掩膜，对所述多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型；
步骤6，将所述第一权重矩阵、所述第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
2.根据权利要求1所述的城市道路交通缺失数据插值方法，其特征在于，所述空间拓扑邻近图为：
Figure 661465DEST_PATH_IMAGE001
其中，
Figure 47447DEST_PATH_IMAGE002
表示所有路段的集合，
Figure 623922DEST_PATH_IMAGE003
，
Figure 612606DEST_PATH_IMAGE004
为路段的总数量，
Figure 895820DEST_PATH_IMAGE005
表示第
Figure 311758DEST_PATH_IMAGE006
条路段，
Figure 313212DEST_PATH_IMAGE007
表示路段间的拓扑邻近关系，
Figure 607052DEST_PATH_IMAGE008
，
Figure 744773DEST_PATH_IMAGE009
表示第一权重矩阵，
Figure 331612DEST_PATH_IMAGE010
，当路段与路段之间相互连接时，
Figure 554783DEST_PATH_IMAGE011
的对应值为1，反之其对应值为
Figure 885270DEST_PATH_IMAGE012
。
3.根据权利要求1所述的城市道路交通缺失数据插值方法，其特征在于，所述环境属性相似图为：
Figure 205393DEST_PATH_IMAGE013
其中，
Figure 104079DEST_PATH_IMAGE002
表示所有路段的集合，
Figure 440644DEST_PATH_IMAGE014
，
Figure 184609DEST_PATH_IMAGE015
为路段的总数量，
Figure 421556DEST_PATH_IMAGE016
表示第
Figure 491143DEST_PATH_IMAGE017
条路段，
Figure 813540DEST_PATH_IMAGE018
表示路段间的环境属性相似关系，
Figure 361196DEST_PATH_IMAGE019
，
Figure 452649DEST_PATH_IMAGE020
表示第二权重矩阵，
Figure 693137DEST_PATH_IMAGE021
。
4.根据权利要求1所述的城市道路交通缺失数据插值方法，其特征在于，所述步骤4包括：
步骤4.1，设置在所述数据增强时的相关参数，所述相关参数包括需要生成的缺失类型集合、缺失率范围和生成实例数量；
步骤4.2，根据缺失率，确定缺失路段数量；
步骤4.3，根据缺失类型，确定缺失采样规则；
步骤4.4，在所述缺失率范围和所述缺失类型中分别选择一个缺失率和一种缺失类型，并根据所述生成实例数量，生成在该缺失率和该缺失类型下与所述生成实例数量对应的缺失掩膜、增强交通流数据和真实交通流标签；
步骤4.5，根据所述缺失类型集合、所述缺失率范围和所述生成实例数量，生成一系列缺失掩膜集合、增强交通流数据集合和真实交通流标签集合；
步骤4.6，对所述缺失掩膜集合、所述增强交通流数据集合和所述真实交通流标签集合进行随机乱序排列。
5.根据权利要求4所述的城市道路交通缺失数据插值方法，其特征在于，步骤4.3具体包括：
所述缺失类型包括随机缺失、块状缺失和混合缺失；
初始化缺失路段序号集合和观测路段序号集合，所述观测路段序号集合包含所有路段的序号；
针对随机缺失，随机选择
Figure 941978DEST_PATH_IMAGE022
条缺失路段，将相应路段序号加入到所述缺失路段序号集合，并从所述观测路段序号集合中移除相应路段序号；
针对块状缺失，设置每个缺失块的最小缺失路段数量参数
Figure 417959DEST_PATH_IMAGE023
，并根据所述最小缺失路段数量参数
Figure 239284DEST_PATH_IMAGE024
计算所述缺失块的数量
Figure 775308DEST_PATH_IMAGE025
；
对于一个缺失块，从所述观测路段序号中随机选取一条路段作为种子点路段，在所述空间拓扑邻近图中以所述种子点路段的k阶拓扑邻域为扩展范围，搜索满足在所述种子点路段的k阶邻域范围内、且路段序号在观测路段序号中的路段，选择相应数量的路段加入到该缺失块，并更新所述缺失路段序号集合和观测路段序号集合，直至满足该缺失块的缺失路段的数量要求，循环生成
Figure 682084DEST_PATH_IMAGE025
个缺失块；
针对混合缺失，设置所述混合缺失中块状缺失路段数量所占比例，计算所述块状缺失路段的数量和所述随机缺失路段的数量，按照相应规则和数量要求选择缺失路段；
根据所述缺失路段序号和所述观测路段序号，确定缺失掩膜、增强交通流数据和真实交通流标签。
6.根据权利要求5所述的城市道路交通缺失数据插值方法，其特征在于，所述步骤5包括：
步骤5.1 设置所述空间拓扑邻近图和所述环境属性相似图的加权融合权重参数；
步骤5.2 基于所述第一权重矩阵和所述第二权重矩阵，通过三个多图卷积层，对所述增强交通流数据进行卷积操作，得到多图卷积结果；
步骤5.3 将所述多图卷积结果输入线性变换层，得到交通流缺失数据插值结果。
7.根据权利要求6所述的城市道路交通缺失数据插值方法，其特征在于，所述步骤5还包括：
使用加权均方误差作为损失函数，计算所述交通缺失数据插值结果与所述真实交通流标签的误差为：
Figure 961756DEST_PATH_IMAGE027
其中，
Figure 903167DEST_PATH_IMAGE028
为训练数据集中样本的数量，
Figure 111556DEST_PATH_IMAGE029
为缺失样本权重，
Figure 505629DEST_PATH_IMAGE030
为非缺失样本权重，
Figure 323412DEST_PATH_IMAGE031
为哈达玛积，
Figure 181647DEST_PATH_IMAGE032
为缺失掩膜，
Figure 934839DEST_PATH_IMAGE033
为交通缺失数据插值结果，
Figure 940841DEST_PATH_IMAGE034
为真实交通流标签；
根据反向传播算法，将所述误差传回所述多图卷积插值模型中的各可学习网络参数；
利用Adam优化器，根据所述误差调整更新所述多图卷积插值模型中的各可学习网络参数；
迭代训练所述多图卷积插值模型，直至所述误差达到预设阈值，保存所述多图卷积插值模型的可学习网络参数，得到已训练完成的多图卷积插值模型。
8.一种城市道路交通缺失数据插值装置，其特征在于，包括：
获取模块，用于获取目标城市的路网数据以及与所述路网数据对应的历史交通流数据；
第一计算模块，用于根据所述路网数据中道路间的空间拓扑邻近性构建空间拓扑邻近图，得到所述空间拓扑邻近图的第一权重矩阵；
第二计算模块，用于根据所述路网数据中道路间的环境属性相似性构建环境属性相似图，得到所述环境属性相似图的第二权重矩阵；
增强模块，用于对所述历史交通流数据进行数据增强，得到缺失掩膜、增强交通流数据和真实交通流标签；
训练模块，用于将所述第一权重矩阵、所述第二权重矩阵以及增强交通流数据输入多图卷积插值模型进行插值处理，得到交通流数据插值结果，并根据所述交通流数据插值结果、所述真实交通流标签和所述缺失掩膜，对所述多图卷积插值模型进行迭代训练，得到已训练完成的多图卷积插值模型；
插值模块，用于将所述第一权重矩阵、所述第二权重矩阵以及当前的交通流数据输入至已训练完成的多图卷积插值模型，对当前的交通流数据进行插值处理，得到目标交通流数据插值结果。
9.一种计算机可读存储介质，用于存储计算机程序，其特征在于，通过执行所述计算机程序，用于实现上述权利要求1-7中任意一项所述的城市道路交通缺失数据插值方法。
10.一种城市道路交通缺失数据插值设备，用于实现上述权利要求1-7任意一项所述的城市道路交通缺失数据插值方法，其特征在于，包括：存储器和处理器；
所述存储器用于储存计算机程序；
所述处理器用于执行所述存储器存储的计算机程序。
CN202211496560.1A 2022-11-28 2022-11-28 一种城市道路交通缺失数据插值方法及相关设备 Active CN115599779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211496560.1A CN115599779B (zh) 2022-11-28 2022-11-28 一种城市道路交通缺失数据插值方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211496560.1A CN115599779B (zh) 2022-11-28 2022-11-28 一种城市道路交通缺失数据插值方法及相关设备

Publications (2)

Publication Number Publication Date
CN115599779A true CN115599779A (zh) 2023-01-13
CN115599779B CN115599779B (zh) 2023-04-07

Family

ID=84852510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211496560.1A Active CN115599779B (zh) 2022-11-28 2022-11-28 一种城市道路交通缺失数据插值方法及相关设备

Country Status (1)

Country Link
CN (1) CN115599779B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386336A (zh) * 2023-05-29 2023-07-04 四川国蓝中天环境科技集团有限公司 基于卡口车牌数据的路网交通流量鲁棒计算方法及***
CN116628435A (zh) * 2023-07-21 2023-08-22 山东高速股份有限公司 一种路网交通流量数据修复方法、装置、设备及介质
CN116821636A (zh) * 2023-08-30 2023-09-29 湖南云滨信息技术有限公司 一种基于大数据的物联网数据采集分析管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325085A (zh) * 2018-08-08 2019-02-12 中南大学 一种城市用地功能识别与变化检测方法
CN110472729A (zh) * 2019-08-02 2019-11-19 中南大学 基于综合cnn-lstm的岩爆状态预测方法
CN111986107A (zh) * 2020-08-05 2020-11-24 中国人民解放军战略支援部队信息工程大学 一种基于深度学习的dsm局部缺失修复方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325085A (zh) * 2018-08-08 2019-02-12 中南大学 一种城市用地功能识别与变化检测方法
CN110472729A (zh) * 2019-08-02 2019-11-19 中南大学 基于综合cnn-lstm的岩爆状态预测方法
CN111986107A (zh) * 2020-08-05 2020-11-24 中国人民解放军战略支援部队信息工程大学 一种基于深度学习的dsm局部缺失修复方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN KAIQI等: "A temporal directed graph convolution network for traffic forecasting using taxi trajectory data", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》 *
谌凯祺等: "多尺度空间同位模式挖掘的点过程分解方法", 《测绘学报》 *
邓敏等: "多模态地理大数据时空分析方法", 《地球信息科学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386336A (zh) * 2023-05-29 2023-07-04 四川国蓝中天环境科技集团有限公司 基于卡口车牌数据的路网交通流量鲁棒计算方法及***
CN116386336B (zh) * 2023-05-29 2023-08-08 四川国蓝中天环境科技集团有限公司 基于卡口车牌数据的路网交通流量鲁棒计算方法及***
CN116628435A (zh) * 2023-07-21 2023-08-22 山东高速股份有限公司 一种路网交通流量数据修复方法、装置、设备及介质
CN116628435B (zh) * 2023-07-21 2023-09-29 山东高速股份有限公司 一种路网交通流量数据修复方法、装置、设备及介质
CN116821636A (zh) * 2023-08-30 2023-09-29 湖南云滨信息技术有限公司 一种基于大数据的物联网数据采集分析管理***
CN116821636B (zh) * 2023-08-30 2023-11-14 湖南云滨信息技术有限公司 一种基于大数据的物联网数据采集分析管理***

Also Published As

Publication number Publication date
CN115599779B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115599779A (zh) 一种城市道路交通缺失数据插值方法及相关设备
CN111540193B (zh) 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及***
CN106295594A (zh) 一种基于动态路径树的跨摄像头目标跟踪方法及装置
Chen et al. Conv-adapter: Exploring parameter efficient transfer learning for convnets
Arzamendia et al. Comparison of eulerian and hamiltonian circuits for evolutionary-based path planning of an autonomous surface vehicle for monitoring ypacarai lake
CN109739926A (zh) 一种基于卷积神经网络的移动对象目的地预测方法
CN111121784B (zh) 一种无人侦察机航路规划方法
CN113570861B (zh) 一种基于合成数据的交通流量预测方法及装置
CN110443287B (zh) 一种基于稀疏轨迹数据的人群移动流绘制方法
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及***
Luo et al. ProactiveCrowd: Modelling Proactive Steering Behaviours for Agent‐Based Crowd Simulation
Schnitzler et al. Combining a Gauss-Markov model and Gaussian process for traffic prediction in Dublin city center.
CN114969234A (zh) 一种面向全量城市路网的向量表征方法
Shafik et al. A reawakening of machine learning application in unmanned aerial vehicle: future research motivation
CN114419877A (zh) 基于道路特征的车辆轨迹预测数据处理方法和装置
Zhang et al. Towards invariant time series forecasting in smart cities
Chen et al. Multi-dimensional traffic flow time series analysis with self-organizing maps
CN116541593B (zh) 一种基于超图神经网络的课程推荐方法
Zhong et al. Estimating link flows in road networks with synthetic trajectory data generation: Inverse reinforcement learning approach
CN117134978A (zh) 基于局部和全局行为模式分析的车辆身份验证方法及***
Zhu et al. SynMob: creating high-fidelity synthetic GPS trajectory dataset for urban mobility analysis
CN114637305B (zh) 一种无人机最短路径规划方法及装置
Babu et al. RETRACTED ARTICLE: Spatio–temporal attention based real-time environmental monitoring systems for landslide monitoring and prediction
CN114757391B (zh) 一种面向服务质量预测的网络数据空间设计与应用方法

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