[发明专利]一种基于双向循环神经网络的交通缺失数据补全方法

说明书

本发明提供了一种基于双向循环神经网络的交通缺失数据补全方法，属于交通领域。该方法首先利用数据在时间上的时序性特点，同时考虑了补全时间点之前的数据和之后的数据对当前时间点的影响，大幅提高了对数据的利用和补全精度，其次考虑到外部特征、相邻传感器数据对当前传感器数据的影响，将其加入到补全模型中，大幅提高了补全精度。本发明的方法不仅大幅提高数据缺失率低的情况下补全精度，还提升了在数据缺失率高的情况下的补全精度。

技术领域

本发明属于交通领域，具体涉及一种基于双向循环神经网络的交通缺失数据补全方法。

背景技术

道路线圈车流量数据具有周期性、时间序列性和趋势性。现阶段，对车流量数据补全的方法主要是基于其时序性。

基于时序性的车流量数据补全，取当前缺失点之前的一段时间的数据，通过神经网络，来对缺失点数据进行补全。比如要补全今天16点的车流量数据，那么就取当天8点到15点的数据作为输入，通过循环神经网络，得到下一个时间点——16点的数据。这种基于历史数据的补全方法，很好地利用了数据的时序性的特点来进行补全，补全结果相对较好，但是该方法具有局限性。当有特殊事件发生时，当前的缺失点之前也是一系列的缺失点，比如：停电，会导致一段连续的数据的丢失，当对最后一个缺失点进行补全时，由于输入数据缺失严重，补全效果在这种情况下非常差。

神经网络最开始是受生物神经系统的启发，为了模拟生物神经系统而出现的，由大量的节点(或称神经元)之间相互联接构成。神经网络根据输入的变化，对权值进行调整，改善系统的行为，自动学习到一个能够解决问题的模型。 LSTM(长短记忆网络)是RNN(循环神经网络)的一种特殊形式，有效地解决多层神经网络训练的梯度消失和梯度爆炸问题，能够处理长时时间依赖序列。LSTM 能够捕获充电量数据的时间序列特性，使用LSTM模型能够有效提高补全精度。

LSTM网络由LSTM单元组成，LSTM单元由单元，输入门、输出门和遗忘门组成。

遗忘门：决定从上一个单元的输出状态中丢弃多少信息，公式如下：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

其中，f_t是遗忘门的输出，x_t是输入序列，h_t-1是上一个单元的输出，σ_g表示sigmoid函数，W_f表示输入的权重参数矩阵，U_f表示上一个单元输出的权重参数矩阵，b_f表示偏差参数向量。

输入门：决定让多少新的信息加入到Cell状态中，并对单元状态C进行更新，公式如下：

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

其中，c_t表示当前单元的单元状态，σ_g和σ_c表示sigmoid函数，表示矩阵乘积，W_i表示输入的权重参数矩阵，U_i表示上一个单元输出的权重参数矩阵，b_i表示偏差参数向量，f_t是遗忘门的输出，c_t-1是上一个单元的单元状态，表示矩阵乘积，W_c表示输入的权重参数矩阵，U_c表示上一个单元输出的权重参数矩阵， b_c表示偏差参数向量。

输出门：基于当前的单元状态输出结果。