[发明专利]一种基于DTW-RGCN的路网交通数据修复的方法

说明书

一种基于DTW‑RGCN的路网交通数据修复的方法，包括以下步骤：1)基于道路历史数据相似性重构道路交通网络；2)对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；3)基于道路交通网络和道路交通流状态矩阵，使用基于高斯分布的图卷积网络提取特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，提取道路交通网络的节点特征；4)基于高斯分布的图卷积网络实现交通流数据修复：将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入，定义模型损失函数，经过反向传播不断优化模型的参数，实现对交通路网缺失数据的修复。本发明有效提高了交通流数据修复的鲁棒性与准确性。

技术领域

本发明涉及一种基于DTW-RGCN的路网交通数据修复的方法，本发明属于智能交通领域。

背景技术

道路交通流数据的完整性对智能交通系统中的道路交通流量预测、交通控制、交通流理论研究有着重要的利用价值。然而在在现实道路系统中，由于检测道路交通流的设备故障等原因，容易出现交通流数据缺失的情况。因此，道路交通流数据修复对智能交通系统的发展有着重要的意义。

现阶段的道路交通数据修复的方法主要有利用时间信息或者空间关系对缺失数据进行修复，利用时间相关性进行数据修复的常见算法有历史平均法、移动平均法、指数平滑法等；利用空间相关性进行数据修复的常见算法有基于灰色残差GM(1，N)算法、K最近邻算法等。但是大多数的算法的鲁棒性和数据修复精度不高。

发明内容

为了克服现有技术的不足，本发明提出一种基于DTW-RGCN(动态时间规整-鲁棒图卷积网络)的路网交通数据修复的方法，使用动态时间规整算法，依据道路之间历史交通流数据的相似性，构建新的网络结构，并利用图卷积的思想对路网时空特征进行有效提取，并且采用高斯分布作为每个图卷层中节点的隐藏表征，有效提高了交通流数据修复的鲁棒性与准确性。

本发明解决方法其技术问题所采用的技术方案是：

一种基于DTW-RGCN的路网交通数据修复的方法，包括以下步骤：

1)基于道路历史数据相似性重构道路交通网络：基于时间序列相似性的准则，使用动态时间规整DTW对每条道路选出与之在时间相关性上相似的较强的多条道路，构建道路交通网络；

2)对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：获取路网交通流状态数据，对数据进行预处理，构建交通流状态矩阵数据集；

3)基于道路交通网络和道路交通流状态矩阵，使用基于高斯分布的图卷积网络提取特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，提取道路交通网络的节点特征；

4)基于高斯分布的图卷积网络实现交通流数据修复：将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入，定义模型损失函数，经过反向传播不断优化模型的参数，实现对交通路网缺失数据的修复。

进一步，所述步骤1)的过程如下：

获取路段历史时间序列数据，基于时间序列相似性构建道路交通网络，其中任意两条道路之间的动态时间规整(DTW)距离计算过程为：两条道路的历史时间序列数据分别记为：X＝(x₁,x₂,…,x_n)，Y＝(y₁,y₂,…,y_n)，然后构建距离矩阵E_n×n，其中E_ij＝|x_i-y_j|，并计算动态时间距离D_i,j＝E_i,j+min(D_i,j-1,D_i-1,j,D_i-1,j-1)，其中D_nn为最终动态时间规整距离；对于道路i，选取前d条与其动态时间规整距离最小的道路集合S＝{j,k,...}，即集合S中的道路与第i条道路在时间序列上有着较强的相似性；