[发明专利]一种基于多属性融合神经网络的交通数据补偿方法

说明书

本发明属于智能交通领域，具体涉及一种基于多属性融合神经网络的交通数据补偿方法，包括：获取路网卡口的交通流量数据，计算卡口之间的量化关联程度，建立路网矩阵，并将对应卡口的交通流量数据填入路网矩阵中，得到路网特征矩阵，建立路网交通流量数据恢复模型，通过时空同步图神经网络模块捕获没有交通流量数据缺失的卡口的隐藏交通流状态，通过时空图注意力机制模块捕获没有流量数据缺失的卡口的动态特征，将卡口的隐藏交通流状态和卡口的动态特征输入融合恢复网络模块，恢复卡口缺失的交通流量数据。本发明通过引入交通流中的动态性，不仅可以更准确得恢复缺失的交通数据，还可以分析出交通路网上的交通变化状态。

技术领域

本发明属于智能交通领域，具体涉及一种基于多属性融合神经网络的交通数据补偿方法。

背景技术

随着交通信息化的快速发展，交通数据爆炸式地增长，其中交通流量是描述交通流的一个重要指标，其变化规律反应了交通流基本性质。但直到目前，在各类检测环境下，我们始终没有办法规避数据缺失现象。缺失数据通常会产生非常广泛的影响，如果数据库中收集的是不完整的缺失数据，不仅会造成实际获取与预先估计数据量之间的差异，还会使最终计算的准确性降低。残缺交通数据恢复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。因此,如何有效地对故障数据进行修复成了研究的热点。

目前，针对缺失数据的处理出现了各种各样的方法。这些数据补偿方法大致可分为三类:预测方法、插值方法和统计学习方法。交通流预测模型是复杂道路网络中道路交通管理的关键。预测方法通常利用历史数据建立预测模型，将缺失数据作为预测值。建立交通流预测模型的方法有很多种，从简单的删除部分缺失数据模型到复杂的基于时空的数据补偿模型。插值方法分为时间邻近法和模式邻近法。时间邻近法利用同一传感器在同一时间但相邻某几天的已知数据来填补缺失数据。模式邻近法利用每日交通流量数据的相似性特征，利用从同一传感器收集的不同日期的历史数据估计缺失数据。基于统计学习的方法是近年来发展起来的。该方法首先假设交通数据的概率分布模型，并使用迭代方法估计概率分布的参数。然后利用观测数据对缺失数据进行补偿。

交通数据补偿是典型的时空数据处理问题，不同类别的交通数据内嵌于连续空间，并且随时间动态变化，因此有效提取时空相关性对解决这类问题至关重要。Guo等人(Guo,Shengnan,et al.Attention based spatial-temporal graph convolutionalnetworks for traffic flow forecasting.Proceedings of the AAAI conference onartificial intelligence.Vol.33.No.01.2019.)提出了一种基于注意力的时空图卷积网络交通流预测，该模型通过注意力机制关注交通流在时空上的变化规律，提取交通流中的时空相关性对交通流进行预测，该论文说明利用时空图卷积网络捕获交通流的时空相关性，可以有效得对交通流进行预测。但是，面对城市道路存在许多复杂多样的空间结构，这使得难以通过路网拓扑来挖掘卡口间的空间依赖性，从而影响有效特征的表达；如何去挖掘交通数据中隐藏的时空相关性给交通数据处理带来了挑战；交通路网在不同路段的数据流变化趋势会随着时间而变化，如何真实地描述交通流在不同时间段的变化特征显然是个问题。

现有技术问题是：

1.城市道路空间复杂多样，城市道路存在许多复杂多样的空间结构，这使得难以通过路网拓扑来挖掘卡口间的空间依赖性，从而影响有效特征的表达；

2.交通数据的时空相关性影响数据补偿结果，交通数据具有多维特征且在时空维度上存在相关性，如何去挖掘交通数据中隐藏的时空相关性给交通数据处理带来了挑战；

3.交通数据存在动态性，交通路网在不同路段的数据流变化趋势会随着时间而变化，如何真实地描述交通流在不同时间段的变化特征显然是个问题。

发明内容

为解决上述技术问题，本发明提出一种基于多属性融合神经网络的交通数据补偿方法，包括以下步骤：