欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020109451755
申请人: 浙江工业大学
专利类型:发明专利
专利状态:未下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于GraphSAGE‑GAN的交通路网数据修复方法,其特征在于,所述方法包括以下步骤:

步骤1根据路网检测器历史交通状态数据,计算路网检测器之间的相关性系数,并根据检测器之间的相关性系数大小关系,构建基于时间相关性的路网结构并替代原始基于空间分布关系的路网结构;

步骤2利用GraphSAGE聚合检测器以及与其相连的邻居检测器的交通状态数据,实现基于时间相关性的路网结构提取路网检测器之间的时空特征信息;

步骤3构建生成对抗网络,并将经GraphSAGE提取的时空特征作为生成器的输入,定义生成对抗网络中生成器与判别器的损失函数,使得经生成器与判别器的对抗训练后,生成器能够根据输入的时空特征信息生成完整的路网交通状态数据;

步骤4将路网交通状态数据划分为训练集与测试集,并根据训练集数据对GraphSAGE‑GAN网络模型进行训练,最终采用测试集对网络模型性能进行评估;

所述步骤1的过程如下:

过程如下:

1.1构建交通路网,并创建路网交通状态矩阵构建交通路网,采用图的形式表示为:G=(V,E),其中V={v1,v2,v3,...,vN},且:

其中N为路网中检测器的总数目,在路网中表示为节点的总数,E表示为网络中节点之间的联系关系,表示路网中任意两个节点是否存在连边关系,针对每个检测器节点vi(i∈

1,2,3,…,N),其历史数据记为:xi=[xi1,xi2,xi3,…,xiT],T为记录历史数据的数目,xit为第i个检测器节点vi在第t时刻的交通状态数据;

N×F

创建路网交通状态矩阵:构建路网交通状态矩阵X (F=1,2,3,…,T),其中F为每个节N×F

点的特征个数,该特征表示为检测器节点部分的历史数据,同时创建掩膜M 矩阵记录路网N×F

中数据缺失位置,掩膜矩阵M 为(0,1)二值矩阵,其中mij(i=1,2,…,N,j=1,2,…,F)记录第i个检测器的第j个特征元素的值是否缺失:将原始路网交通状态矩阵X与掩膜矩阵M对应元素相乘,得到含有缺失数据的交通路网状态数据

1.2计算检测器节点之间相关性系数针对每个检测器节点的历史数据,采用皮尔逊相关性系数计算公式,计算不同节点之间的时间相关性,第i个检测器vi与第j个检测器vj之间的皮尔逊相关性系数rij计算公式为:

其中K为计算皮尔逊相关性系数时选取的每个检测器节点历史交通状态数据长度,通过计算不同检测器之间的皮尔逊相关性系数,得到路网G的N×N的皮尔逊相关性系数矩阵

1.3根据路网的相关性系数矩阵,重构路网结构对于每个检测器节点,令该检测器和与该检测器的皮尔逊相关性系数较大的其余p*N个检测器之间创建连边,重新构建基于时间相关性的路网结构,将重构后的路网记为:G′=(V,A),其中p为选取最相关检测器节点的比例,p∈(0,1). aij表示重构后的路网矩阵中vi检测器节点与vj检测器节点的连边关系:

2.如权利要求1所述的基于GraphSAGE‑GAN的交通路网数据修复方法,其特征在于,所述步骤2的过程如下:

根据构建的基于时间相关性的路网结构,针对每个检测器节点 的邻居节点特征,采用均值聚合的方法聚合空间信息,若进行Z层均值聚合,则聚合计算公式为:其中 表示为对于节点vi经GraphSAGE提取的第z层特征,表示为与节点vi相连的节点集合,即邻居节点集合;sum表示为求邻居节点集合在不同特征属性上的特征和; 为邻居节点个数; 为节点v的邻居集合 的第(z‑1)层均值聚合特征;CONCAT表示为特征合并;σ表示为激活函数;

z

Wi为对第i个检测器进行聚合时模型需要训练的权重参数;

对路网中所有节点进行Z层GraphSAGE均值聚合后,对于每个检测器节点vi得到该节点的聚合特征 路网的聚合特征

3.如权利要求1所述的基于GraphSAGE‑GAN的交通路网数据修复方法,其特征在于,所述步骤3的过程如下:

生成对抗网络由生成器G与判别器D构成,将经GraphSAGE均值聚合的路网特征作为生成对抗网络中生成器的输入,输出为完整交通路网交通状态矩阵;具有LG层全连接层的生成器的模型结构计算公式为:

G

其中l=1,2,…,LG, 为生成器提取的第l层特征;σ为激活函数;Wl ,为第l层需要训练的权重及偏差参数; 为生成器的输出层,f为激活函数, 为生成器的输出层需要训练的权重及偏差参数;

具有LD层全连接层的判别器的模型结构计算公式为:其中l=1,2,…,LD,若判别器作用于对生成器生成数据进行判别时, 此时判别器的输出记为 若判别器作用于对真实数据进行判别时, 此时判别器D

的输出记为 为判别器提取的第l层特征;σ为激活函数;Wl , 为判别器的第l层需要训练的权重及偏差参数; 为判别器的输出层, 为判别器的输出层需要训练的权重及偏差参数;

其中,由于原始GAN存在训练困难的问题,因此采用Wasserstein GAN(WGAN)对GAN进行训练,定义生成器与判别器的损失函数LossG,LossD分别为:其中α为重构误差系数, 表示生成器G对于输入 时的输出,即为经GraphSAGE‑GAN进行数据修复后的数据。

4.如权利要求1所述的基于GraphSAGE‑GAN的交通路网数据修复方法,其特征在于,所述步骤4的过程如下:

将路网交通状态历史数据按照比例划分成训练集与测试集,划分比例记为a∈(0,1),则表示训练集样本个数占总数据集样本个数的比例为a,将训练数据作为构建的GraphSAGE‑GAN模型的输入,通过模型优化器不断优化模型参数,直至模型收敛,最终得到完成训练后的模型结构;然后采用测试集作为模型的输入,获得模型的预测值,并根据相关指标针对模型预测值与模型真实值之间的误差进行评估;其中采用相关指标:平均绝对误差MAE,均方根误差RMSE和平均绝对百分比误差MAPE对模型性能进行评价,计算公式分别为:

i

其中S代表测试数据集的样本个数,每个样本的形状均为N×F,M表示第i个样本的掩膜矩阵,其中 表示测试集中第i个样本中的第j个节点在第k个特征处的数据是否缺失,若为1则表示该处缺失,反之,表示该处不缺失,X为真实完整交通状态数据集,为模型的预测值。