申请/专利权人：浙江工业大学

申请日：2019-11-06

公开（公告）日：2020-12-01

公开（公告）号：CN110942624B

主分类号：G08G1/01(20060101)

分类号：G08G1/01(20060101);G06K9/62(20060101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.12.01#授权;2020.04.24#实质审查的生效;2020.03.31#公开

摘要：一种基于SAE‑GAN‑SAD的路网交通数据修复方法，包括以下步骤：1获取路网交通数据，构建堆栈自编码器并对道路交通数据进行特征提取；2确定生成器与判别器的结构，共同构建成生成对抗网络模型，将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；3获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复。本发明依据已知交通数据采用SAE‑GAN‑SAD模型对缺失数据进行实时修复，可以有效提高交通状态数据修复的精度。

主权项：1.一种基于SAE-GAN-SAD的路网交通数据修复的方法，其特征在于，所述方法包括以下步骤：1获取路网交通数据，构建堆栈自编码器，并对道路交通数据进行特征提取：获取路网中多条路段的道路交通状态数据，并根据多个自编码器构建堆栈自编码器，将路网交通数据作为堆栈自编码器的输入，提取道路交通状态数据时空特征；2构建生成对抗网络模型进行对抗训练：确定生成器与判别器的结构，共同构建成生成对抗网络模型，并将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；3根据生成器生成的时空特征重构修复后完整交通数据：获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复；所述步骤1的过程如下：步骤1.1：获取交通状态数据获取路网中n条路段的交通状态数据，记做X＝[X1,X2,...,Xi,...Xn]，其中Xi＝[xi1,xi2,...,xiT]代表第i条路段共计T个时刻的交通状态数据i＝1,2，…n，xit代表第i条路段在第t时刻的交通状态，t＝1,2,3,…，T，利用一个掩模矩阵M记录交通状态数据缺失的状态，其中M＝[M1,M2,...,Mn]，Mi＝[mi1,mi2,...,miT]，mit表示第i条路段在第t时刻的交通状态数据是否缺失，表示如下： 记作含有缺失数据的交通状态数据为其中*代表矩阵对应元素相乘；步骤1.2：构建N层堆栈自编码器，N≥2；N层堆栈自编码器的基本结构由N个自编码器堆栈构成，自编码器通过对输入数据的编码与解码过程获取输入数据的特征表达；构建第一层自编码器，编码器与解码器分别记做a1，b1，输入交通状态数据X，经第一层编码器编码后得到第一层隐层特征h1，计算过程为：h1＝a1We1·X+be11X*＝b1Wd1·h1+bd12其中X*代表经编码解码后的重构数据，We1，be1，Wd1，bd1代表模型训练参数，a1,b1分别代表编码器与解码器；构建第i层自编码器，2≤i≤N，将上一层自编码器获得的隐层特征hi-1作为该层自编码器的输入，并经过编码器ai与解码器bi操作后，得到第i层隐层特征hi；经过N层堆栈自编码器的编码解码操作后，得到N层堆栈自编码器提取的交通状态数据X的特征表达hN；同时构建另一个N层堆栈自编码器提取缺失后数据的N层特征表达所述步骤2中，确定生成器G与判别器D的模型结构，并分别定义生成器与判别器的损失函数LG，LD，并将作为生成器的输入数据，判别器的输入为生成器生成数据或真实数据hN，判别器训练目标为区分出输入判别器的数据属于真实数据或者生成器生成数据，而生成器训练目标为让判别器将生成器生成数据判别成真实数据，训练过程采用WGAN，损失函数定义如下： 其中分别代表生成数据与真实数据的第i个数据，i＝1,2,…,m,m代表输入数据hN经堆栈自编码器提取的特征个数。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于SAE-GAN-SAD的路网交通数据修复方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD