[发明专利]一种基于GraphSAGE-GAN的交通路网数据修复方法

说明书

一种基于GraphSAGE‑GAN的交通路网数据修复方法，首先根据路网中检测器的历史数据计算路网检测器之间的相关性，得到路网相关性矩阵，然后根据得到的路网相关性矩阵构建基于时间相关性的路网结构。其次，利用GraphSAGE提取构建路网结构的潜在时空特征，最后将提取的时空特征作为生成对抗网络中生成器的输入，使其通过生成对抗网络的对抗训练，生成器能够根据经GraphSAGE提取的时空特征生成完整的的路网交通状态信息，从而实现路网交通状态数据的修复。本发明可以深度挖掘路网交通状态检测器之间的空间特征，有效提高路网交通状态修复的精度。

技术领域

本发明涉及一种基于GraphSAGE-GAN的交通路网数据修复方法，本发明属于智能交通领域。

背景技术

构建智慧交通城市过程中，道路的交通状态数据有着核心的作用，完整的数据能够更好的使得道路管理者获得精确的路网交通状态信息，从而更好地调控路网的运行状态。然而在现实中，道路检测器的自身故障，以及各种不可抗因素(如：地震，洪水造成的道路交通状态检测器断电等)造成道路检测器获取的交通状态信息并不是完整的。因此，针对路网交通状态数据，采用数据修复算法对缺失数据进行插补，保证路网交通状态数据的完整性有着至关重要的意义。

现阶段的道路交通预测方法主要有：历史平均法，K近邻法，降噪自编码器算法，生成对抗网络插补算法等；存在的技术缺陷：无法深度挖掘路网交通状态检测器之间的空间特征，路网交通状态修复的精度较低。

发明内容

为了克服现有技术的不足，本发明提供一种基于GraphSAGE-GAN的交通路网数据修复方法，可以深度挖掘路网交通状态检测器之间的空间特征，有效提高路网交通状态修复的精度。

本发明解决其技术问题所采用的技术方案是：

一种基于GraphSAGE-GAN的交通路网数据修复方法，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。

进一步，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,...,v_N}，|V|＝N，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v_i(i∈1,2,3,…,N)，其历史数据记为：x_i＝[x_i1,x_i2,x_i3,…,x_iT]，T为记录历史数据的数目，x_it为第i个检测器节点v_i在第t时刻的交通状态数据；