一种交通数据补全方法、系统、终端以及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115985086A(43)申请公布日2023.04.18(21)申请号202111198114.8(22)申请日2021.10.14(71)申请人深圳先进技术研究院地址518055广东省深圳市南山区西丽大学城学苑大道1068号(72)发明人赵娟娟黄旭吉徐敏贤高希彤叶可江须成忠(74)专利代理机构深圳市科进知识产权代理事务所(普通合伙)44316专利代理师魏毅宏(51)Int.Cl.G08G1/01(2006.01)G06N3/045(2023.01)G06N3/0442(2023.01)G06N3/0464(2023.01)权利要求书3页说明书9页附图3页(54)发明名称一种交通数据补全方法、系统、终端以及存储介质(57)摘要本申请涉及一种交通数据补全方法、系统、终端以及存储介质。包括：根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；将所述节点空间特征输入GRU‑CCN模型，通过所述GRU‑CCN模型提取交通数据的全局时空特征；利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。本发明能够更全面的提取全网交通状态时空相关性，从而对缺失交通数据进行精确补全。CN115985086ACN115985086A权利要求书1/3页1.一种交通数据补全方法，其特征在于，包括：根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图；利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征；将所述节点空间特征输入GRU‑CCN模型，通过所述GRU‑CCN模型提取交通数据的全局时空特征；利用多层全连接解码器对所述全局时空特征进行解码，得到解码后各道路的交通数据；根据所述解码后各道路的交通数据对所述真实交通数据中的缺失数据进行补全，得到完整交通数据。2.根据权利要求1所述的交通数据补全方法，其特征在于，所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：获取监测区域的道路网络图G＝(V，E，FV)，其中V＝{v1，v2，…，vN}是图的顶点集，表示监测区域内的道路集合；FV为道路的物理特征集合，所述物理特征包括道路等级、车道数、限速情况、道路长度或道路宽度；E是节点之间的边集；获取所述监测区域内各道路的历史交通数据，根据所述历史交通数据计算相邻道路之间的交通状态变化趋势，并判断各道路之间是否具有相关性，将所述相关性计算结果作为所述道路网络图中各节点的边特征；基于所述道路网络图和各道路之间的边特征构造交通状态关系图。3.根据权利要求2所述的交通数据补全方法，其特征在于，所述将所述相关性计算结果作为所述道路网络图中各节点的边特征具体为：其中，fs为相邻道路vi和vj之间的边eij的边特征，和分别表示相邻道路vi和vj在时间段t时历史交通数据具有相似变化趋势的次数，Totalcnt表示历史交通数据的采集次数。4.根据权利要求3所述的交通数据补全方法，其特征在于，所述根据监测区域内各道路的真实交通数据以及道路之间的相关性构建交通状态关系图包括：将一天划分为具有相同间隔的T个时间段{t1，t2，…，t|T|}；针对一天中的1～T个时间段构造一个时间序列根据所述时间序列构造交通状态关系图其中为边特征，N表示节点数量，DE的值为2，(FE)i，j为边eij的边特征；表示节点在时间t的交通数据。5.根据权利要求1至4任一项所述的交通数据补全方法，其特征在于，所述利用图注意力模型对所述交通状态关系图进行空间关联性学习，得到节点空间特征包括：给定交通状态关系图Gt，节点i和节点j的交通数据分别为和2CN115985086A权利要求书2/3页边特征为通过线性变换将输入的交通数据转换到高维特征，包括其中W1是一个矩阵，用于对和降维；wij＝a(zi，zj，zij)，a是一个单层前向神经网络，由一个权重向量参数化；执行自注意力计算注意力系数，所述注意力系数表明节点j的交通数据对节点i的重要性；所述注意力系数表示为：其中·T表示转置，||表示连接操作；计算注意力系数与对应交通数据的线性组合，得到每个节点的特征向量其中σ表示非线性操作；假设所述图注意力模型包括K个注意力层，将K个注意力层生成的特征向量进行拼接：得到节点i在T个时间段的空间特征表示序列6.根据权利要求5所述的交通数据补全方法，其特征在于，所述GRU‑CCN模型包括双向GRU网络和CNN卷积网络，所述通过GRU‑CCN模型提取交通数据的全局时空特征包括：将所述空间特征表示序列输