[发明专利]基于自我注意力机制的图自编码器的交通大数据修复方法

权利要求书

1.一种基于自我注意力机制的图自编码器的交通大数据修复方法，其特征在于，所述方法包括以下步骤：

步骤1，确定需要进行交通数据修复的区域，采集该区域的历史交通数据；

步骤2，基于所述历史交通数据，构建掩码矩阵，同时基于步骤1所选区域的路网结构生成邻接矩阵；所述邻接矩阵为表示道路相邻关系的邻接矩阵A，横纵坐标轴均为道路编号，若道路i与道路j相邻，则A(i,j)＝A(j,i)＝1，否则A(i,j)＝A(j,i)＝0，A(i,j)、A(j,i)分别表示矩阵A中第i行第j列的数据、第j行第i列的数据；

步骤3，基于自我注意力机制和图卷积网络构建数据修复模型；所述修复模型包括依次串联的第一模块和第二模块，输入数据依次经第一模块、第二模块后输出；其中，第一模块包括相串联的m个子单元，每个子单元均包括：以并联方式设置的一个图卷积网络层和一个多头注意力层，两者输出相加后进行层归一化，之后连接一个全连接层；第二模块包括n个串联的全连接层；

该模型中的多头注意力层用于捕获数据中的时空关联性，图卷积网络层用于利用缺失路段临近道路的数据对缺失部分进行填补；

所述第一模块中第一个图卷积网络层的输入包括历史交通数据、掩码矩阵和邻接矩阵，之后的图卷积网络层的输入为前一层网络输出值、掩码矩阵和邻接矩阵；第一模块中第一个多头注意力层的输入包括掩码矩阵、邻接矩阵以及历史交通数据经过位置编码后得到的编码矩阵，之后的多头注意力层的输入包括掩码矩阵、邻接矩阵以及前一层网络的输出值和编码矩阵；

所述图卷积网络层即GCN层利用缺失路段临近道路的数据对缺失部分进行填补的计算公式为：

式中，m₁为掩码矩阵，⊙为哈米特乘法，输入输出σ为激活函数，为一个沿主对角线对称矩阵，为的度矩阵，且W为可学习的参数，A为邻接矩阵，d_in＝d_out，N为道路数，d_in为样本数据的列数，代表时间长度；

步骤4，利用步骤1和步骤2的数据对所述数据修复模型进行训练；

步骤5，针对需要修复的交通数据，利用训练好的数据修复模型获得数据修复结果。

2.根据权利要求1所述的基于自我注意力机制的图自编码器的交通大数据修复方法，其特征在于，步骤1中所述历史交通数据包括道路流量、速度和占有率数据。

3.根据权利要求2所述的基于自我注意力机制的图自编码器的交通大数据修复方法，其特征在于，步骤2中所述构建掩码矩阵，具体为：掩码矩阵中的每个位置点表示某一时刻某一条道路的历史交通数据，若某位置点的历史交通数据缺失，则掩码矩阵的对应位置记为0，否则对应位置记为1。