1.一种基于生成对抗网络实现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)基于道路交通数据流进行预处理并构建交通流状态矩阵数据集；

2)基于GAE编码提取路网交通状态数据特征；

3)基于LSTM构建路网交通状态数据生成器网络；

4)基于全连接神经网络构建路网交通状态数据判别器网络；

5)基于生成对抗网络生成完整交通状态数据的特征；

6)基于GAE解码实现交通状态数据修复。

2.如权利要求1所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤1)的过程如下：

1.1：对数据流进行预处理，使用最大最小标准化对数据进行归一化处理，计算表达式如下：其中，xreal为道路的原始流量数据，xmin为道路原始流量数据中的最小值，xmax为道路原始流量数据中的最大值，x为预处理后的道路流量数据；

1.2：构建交通流状态数据集

获取n条路段的交通状态数据矩阵，完整的交通状态数据表达式如下：其中，交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则xit表示第i条道路上的在t时刻的交通状态数据；

利用掩膜矩阵Q表示交通数据缺失状态，掩膜矩阵表达式如下：qit表示第i条道路上的在t时刻的交通状态数据是否缺失，若不缺失，则qij＝1，若缺失，则qij＝0，含有缺失数据的交通状态数据记为Xloss＝Xtrue*Q，*表示矩阵对应元素相乘。

3.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤2)的过程如下：

2.1：构建图自编码器GAE，GAE的输入是缺失交通状态数据Xloss或者完整交通状态数据Xtrue，编码输出分别是缺失交通状态数据的特征Zloss和完整交通状态数据的特征Ztrue，解码输出是新的交通状态数据矩阵 和新的邻接矩阵GAE编码器表达式如下：

其中Z为编码后的特征矩阵，WG0和WG1是编码器权重矩阵，A为邻接矩阵，D为A的度矩阵，ReLU(β)函数表达式如下：ReLU(β)＝max(0,β)                   (6)GAE解码器表达式如下：

其中 为解码后的新的交通状态数据矩阵，WD0和WD1是解码器权重矩阵，BD0和BD1是解码T器偏置矩阵， 为解码后的新邻接矩阵，Z为Z的转置矩阵，Sigmoid(λ)激活函数表达式如下：

2.2：定义GAE模型损失函数，经过反向传播不断优化GAE模型参数，损失函数如下：l＝(1+(q-1)*aij)                     (12)gaeloss2＝norm·loss2                    (16)gaeloss＝gaeloss1+α·gaeloss2                 (17)p为交通状态数据个数，m为车道数，aij为原邻接矩阵中第i行第j列元素， 为GAE解码得到的新邻接矩阵 中第i行第j列元素，α是超参数，gaeloss是GAE最终的损失函数；

2.3：提取道路交通数据特征

利用训练后的GAE的编码器，提取缺失道路交通状态数据的特征Zloss和完整道路交通状态数据的特征Ztrue，公式如(5)所示。

4.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤3)的过程如下：定义GAN的生成器G模型结构，生成器内部结构采用LSTM神经网络，并经过全连接层获得生成器输出，生成器输入为含有缺失数据的经过GAE编码的特征Zloss，输出G(Zloss)为完整道路交通状态数据的特征；

LSTM神经网络表达式如下：

ft＝σ(Wf[ht-1,xt]+bf)                  (18)it＝σ(Wi[ht-1,xt]+bi)                   (19)ot＝σ(Wo[ht-1,xt]+bo)                  (22)ht＝ot*tanh(Ct)                    (23)其中Wf为遗忘门权重矩阵，ht-1为上一时刻输出矩阵，xt为Zloss在当前时刻t的数据输入矩阵，bf为遗忘门偏置矩阵，ft为当前时刻遗忘门输出矩阵，Wi为输入门权重矩阵，bi为输入门偏置矩阵，it为当前时刻输入门输出矩阵， 为当前时刻暂时状态矩阵，WC为当前时刻暂时状态权重矩阵，bC为当前时刻暂时状态的偏置矩阵，Ct为当前时刻的细胞单元状态矩阵，Ct-1为上一时刻的细胞单元状态矩阵，ot为当前时刻输出门矩阵，Wo为输出门权重矩阵，bo为输出门偏置矩阵，ht为当前时刻最终输出，σ为Sigmoid函数，公式如(8)所示，tanh函数表达式如下：生成器经过LSTM提取特征后，通过全连接层获取生成器的输出，生成器输出表达式如下：G(Zloss)＝Sigmoid(WGht+bG)                (25)其中WG是生成器全连接层权重矩阵，bG为生成器全连接层偏置矩阵，G(Zloss)即为生成器生成的完整交通状态数据的特征。

5.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤4)的过程如下：定义GAN的判别器D结构，判别器使用全连接神经网络，判别器输入分别为生成器的输出G(Zloss)或者完整道路交通数据的特征Ztrue，对应判别器输出分别为D(G(Zloss))和D(Ztrue)，同时定义生成器和判别器损失函数：其中n代表判别器输出的样本个数，p代表生成器输出的数据个数，Dloss为判别器损失函数，Gloss为生成器损失函数。

6.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤5)的过程如下：获取经过对抗训练得到的生成器生成完整交通状态数据的特征G(Zloss)。

7.如权利要求1或2所述的基于生成对抗网络实现路网交通数据修复的方法，其特征在于，所述步骤6)的过程如下：将G(Zloss)作为GAE解码器的输入，经过GAE解码实现交通状态数据修复，解码过程如下：Xrec＝Sigmoid(WD1(ReLU(WD0(G(Zloss))+BD0))+BD1)         (28)将Xrec反标准化，反标准化计算表达式如下：

Xpre＝Xrec(xmax-xmin)+xmin                (29)Xpre即为最终修复的交通状态数据。