[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

说明书

本发明公开了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，包括：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；构建掩码矩阵，同时基于所选区域的路网结构生成邻接矩阵；基于自我注意力机制和图卷积网络构建数据修复模型；对数据修复模型进行训练；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。本发明在GCN的基础上引入自编码器、多头注意力机制等结构，利用GCN的结构有效地学习城市路网的拓扑图结构，利用多头注意力机制学习交通流数据的时空关联性，并利用自编码器依据存在缺失的交通数据生成完整的交通数据，且通过多头注意力机制和GCN可以有效提高模型数据修复的准确性。

技术领域

本发明属于深度学习和交通数据修复等技术领域，特别是一种于自我注意力机制的图自编码器的交通大数据修复方法。

背景技术

随着大量传感器的部署，人们从多种渠道收集到了海量的交通数据。收集到的交通数据往往具有“真假共存”属性，其表现为数据中存在缺失、错误、冗余等异常现象，因此需要ITS(智能交通系统)能够从含有缺失的数据中尽可能准确地修复数据中存在的缺失，提高数据的完整度。然而，交通数据修复问题有其固有的特殊性，该问题与其他数据修复问题的主要不同之处在于其需要考虑空间路网拓扑结构和交通数据随时间变化的规律性和突变性，例如某条道路在某一时刻的交通流数据与其相邻时刻数据有较强的关联性，同一时段内临近道路之间的交通流数据具有较强的相似性。因此针对交通流数据修复问题需要谨慎的设计适合交通流特征的模型。

传统的数据修复方法往往具有各自的局限，例如基于统计分析利用平均数、众数、中位数等方法的数据修复方法往往忽略数据中的相互依赖关系；基于统计机器学习模型对数据施加比较强的约束，比如线性的假设、数据的平滑性等。

A.V.Dalca等人提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和稀疏感知的变分逼近学习算法。A.Nazaba等人提出的基于变分自编码的改进算法的HI-VAE算法能够准确填补多种缺失数据。V.Fortuin等人提出了一种新的深度顺序潜变量模型GP-VAE，用于降维和数据修复。基于循环神经网络(Recurrent neural network,RNN)的模型往往假设是数据间的关系是序列型的，它不能并行处理且难以对不同时间戳输入数据间的相互依赖直接建模，更为重要的是他们无法利用空间路网的拓扑图结构，因此修复精度难以进一步提高。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供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。

实现本发明目的的技术解决方案为：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，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；

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；

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。

进一步地，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，表示该位置数据缺失，否则对应位置记为1。

进一步地，步骤2中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。