[发明专利]一种基于视频修复技术的交通流量插补方法

说明书

本发明属于智能交通领域，具体涉及一种基于视频修复技术的交通流量插补方法，该方法包括：获取车辆数据，根据获取的车辆数据构建车辆轨迹；将车辆轨迹输入到Skip‑gram模型中，提取卡口特征向量；采用t‑SNE算法对卡口特征向量进行降维处理，得到卡口二维特征分布；将卡口二维特征分布进行扩散，生成卡口矩阵，并填充卡口流量生成路网流量图像；将路网流量图像输入到交通流量插补模型中，得到恢复流量的数据；所述交通流量插补模型包括周期子网络、空间子网络以及融合网络；本发明为智能交通系统的构建提供了高质量的数据基础，也可以应用于同类型的时空数据插补或预测。

技术领域

本发明属于智能交通领域，具体涉及一种基于视频修复技术的交通流量插补方法。

背景技术

随着信息技术的发展，路网中每天都在产生海量的交通数据，完整可靠的交通数据是构建智能交通系统的基础。ANPR System(Automatic number-plate recognitionSystem)是目前城市中交通数据的主要来源，但在城市的规划建设中，由于受到成本限制，部分设备质量较差。在数据采集、处理和存储的过程中不可避免的会发生数据丢失。数据的缺失不仅降低了数据的有效性，同时也给后续的工作带来了困扰。残缺交通数据插补是针对海量交通数据的有效化处理，对交通管理系统(TMS)和智能交通系统(ITS)的后续分析有着重要意义。交通数据具有明显的时效性，即随着时间的流逝数据的参考价值逐渐降低。所以交通流数据实时性和准确性是交通数据插补的两个必要指标。

近年来，随着智能交通系统在学术界和工业界受到关注，众多学者对交通数据插补进行了研究。目前交通数据插补方法大致可以分为如下三类：传统方法，例如张量分解、插值等。统计学习方法，通过建立交通数据的概率分布模型，进行交通数据的插补。深度学习方法，通过建立深度神经网络，从历史交通数据中提取时空特征，从而实现交通数据的插补。

在时间关联性方面有很多滤波插补法在异常值插补有一些应用。滤波方法包括单值分解、小波分析、免疫算法、频谱相减法等。滤波法将车流信息看作时间序列数据过频谱分析、特征提取并光滑数据来插补异常值，所以滤波法难以处理长时间缺失数据。在空间关联性方面使用降噪自编码获取交通数据的空间特征达到插补的目的。

现有技术中存在的问题包括：如何从结构化的交通轨迹数据转换到非结构化的路网像素图像；如何使用卷积从稀疏的路网像素矩阵中提取特征；如何建模捕获复杂的时空特性，实现高准确率的交通流量插补。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于视频修复技术的交通流量插补方法，该方法包括：获取车辆数据，根据获取的车辆数据构建车辆轨迹；将车辆轨迹输入到Skip-gram模型中，提取卡口特征向量；采用t-SNE算法对卡口特征向量进行降维处理，得到卡口二维特征分布；将卡口二维特征分布进行扩散，生成卡口矩阵，并填充卡口流量生成路网流量图像；将路网流量图像输入到交通流量插补模型中，得到恢复流量的数据；所述交通流量插补模型包括周期子网络、空间子网络以及融合网络。

优选的，根据获取的车辆数据构建车辆轨迹的过程包括：获取的车辆数据包括车辆的车牌号、行驶速度、行驶方向以及时间戳；根据车辆的行驶速度、行驶方向以及时间戳构建车辆在路网中的行驶路径，构建的行驶路径为该车辆的轨迹；行驶路径的表达式为V_i＝{m_i1,m_i2,…,m_in}，其中m_i1表示车辆i驶入路网经过的第一个卡口，m_in表示车辆i离开路网时经过的最后一个卡口。

优选的，采用Skip-gram模型提取车辆轨迹的卡口特征向量的方程包括：