交通运行体系流量数据采集缺失补全的算法模型制造技术

本发明专利技术公开了一种交通运行体系流量数据采集缺失补全的算法模型，包括如下步骤：确定交通数据缺失路段和时间段；获取交通数据缺失路段及其附近路段的交通数据；提取空间相关性；根据空间相关性补全缺失路段缺失的交通数据。本发明专利技术叙述的方法通过深度学习模型提取当前路段与附近路段的交通数据之间的空间相关特征，并根据空间相关特性进行交通数据补全，具有能对长时间的交通数据的缺失进行补全，补全效果好的优点。全效果好的优点。全效果好的优点。

【技术实现步骤摘要】
交通运行体系流量数据采集缺失补全的算法模型


[0001]本专利技术涉及交通领域，特别涉及一种交通运行体系流量数据采集缺失补全的算法模型。

技术介绍

[0002]路网交通状态估计是智能交通系统的重要组成部分，在交通数据补全时一般选择当前路段的信息，通过时间序列进行预测和补全。长时间的交通数据的缺失补全存在难度。

技术实现思路

[0003]本专利技术的目的提供一种交通运行体系流量数据采集缺失补全的算法模型，解决上述现有技术问题中的一个或多个。
[0004]第一方面，本专利技术提出一种交通运行体系流量数据采集缺失补全的算法模型，包括如下步骤：
[0005]获取各个路段的交通数据；
[0006]将得到的交通数据进行处理，得到全连接神经网络所需的数据集；
[0007]设计全连接神经网络模型，利用生成的数据集进行模型训练和验证调参，提取不同路段与附近路段交通数据的空间相关性；
[0008]获取交通数据缺失路段附近路段的交通数据，做归一化处理；
[0009]将归一化后的交通数据输入训练好的全连接神经网络模型，根据空间相关性补全缺失路段的交通数据。
[0010]在一些实施方式中，交通数据的处理包括在交通数据中分别提取每个路段和及其附近路段的历史交通数据，并构建每个路段对应的数据集；
[0011]每个路段的数据集包含n个时间段附近路段交通数据X＝{x1,x2,x3…
,x
n
}以及当前路段的交通数据Y＝{y1,y2,y3…
>,y
n
},其中x
i
表示的某一时间段m个附近路段的交通数据x
i
＝{x
i,1
,x
i,2
,
…
x
i,m
},y
i
表示对应时间段当前路段的交通数据；
[0012]数据矩阵格式可表示为：
[0013][0014]设定的时间段的间隔，时间段的间隔优选为5min；
[0015]附近路段是指与交通数据待补全路段有交汇路口的路段。
[0016]在一些实施方式中，所述全连接神经网络采用的是全连接神经网络，包括输入层、提取补全层以及输出层，
[0017]所述输入层用于待补全交通数据路段的附近路段的交通数据；
[0018]所述提取补全层用于提取待补全路段交通数据和附近路段的交通数据的空间相关性；
[0019]所述输出层用于输出补全后的缺失路段的交通数据。
[0020]在一些实施方式中，所述提取补全层具体进行如下操作：
[0021]获取交通数据缺失时间段外的交通数据缺失路段的交通数据和未缺失的附近路段的交通数据，构建成未经过归一化处理的数据集；
[0022]将未经过归一化处理的数据集进行归一化处理；
[0023]训练模型并保存和验证，获取交通数据缺失路段的交通数据和未缺失的附近路段的交通数据之间的权重参数。
[0024]在一些实施方式中，所述交通数据归一化处理使用公式生成数据集，数据集为0到1之间的实数的数据集合，所述公式如下：
[0025][0026]上式中max表示数据集中的最大值，
[0027]min表示数据集中的最小值。
[0028]在一些实施方式中，所述模型的训练和验证包括如下步骤：
[0029]构建模型；
[0030]归一化处理后的数据集中未缺失的附近路段的交通数据作为模型的输入数据，将交通数据缺失路段的交通数据作为模型的输出数据；
[0031]将归一化处理后的数据集划分为训练集和验证集；
[0032]将训练集中的数据输入初始化参数模型，计算出待补全路段的预测交通数据,公式如下：
[0033]y'＝wx+b
[0034]y'表示的是模型补全的交通数据，w,b分别为全连接网络的输出层的权重和偏置,x表示的是输入数据经过提取补全层的计算后的数据；
[0035]将预测交通数据与待补全路段实际的交通数据进行比较，计算获得两者之间的损失函数值，公式如下
[0036]Loss(x,y)＝E(y
‑
y')
[0037]上式中E为交叉熵损失函数，y表示的是实际的交通数据的数值，y'表示的是当前模型参数预测的交通数据的数值；
[0038]通过计算出的损失函数的数值进行反向传播，迭代更新模型参数，公式如下：
[0039][0040][0041]上式中w，b表示的是网络中每一层网络的权重和偏置，w'，b'表示的是更新后的权重和偏置，L表示的是损失函数；
[0042]利用验证集验证测试模型；
[0043]调试模型结构和超参数，减少损失函数的数值，保存模型。
[0044]在一些实施方式中，归一化处理后的数据集划分为训练集和验证集的比例关系为8:2。
[0045]在一些实施方式中，补全缺失路段缺失的交通数据的过程如下：
[0046]将交通数据缺失时间段内未缺失的附近路段的交通数据进行归一化处理，
[0047]将归一化处理后得到的数据输入模型，计算出缺失部分交通数据，对缺失交通数据进行补全。
[0048]在一些实施方式中，所述交通数据为车流量数据。
[0049]第二方面，本专利技术提出一种智能交通运行体系数据缺失补全装置，所述装置包括至少一个存储介质以及至少一个处理器；
[0050]所述至少一个存储介质用于存储计算机指令；
[0051]所述至少一个处理其用于执行所述计算机指令，用以实现第一方面中叙述的交通运行体系流量数据采集缺失补全的算法模型。
[0052]第三方面，本专利技术提出一种计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现第一方面中叙述的交通运行体系流量数据采集缺失补全的算法模型。
[0053]本专利技术所述的交通运行体系流量数据采集缺失补全的算法模型的优点为：通过深度学习模型提取当前路段与附近路段的交通数据之间的空间相关特征，可以忽略天气、节假日等时间因素；利用附近路段的交通数据对长时间的交通数据的缺失进行补全，补全效果好。
附图说明
[0054]图1为本专利技术的一些实施方式中交通运行体系流量数据采集缺失补全的算法模型的流程图；
[0055]图2为本专利技术的一些实施方式中全连接神经网络的结构示意图。
具体实施方式
[0056]本申请中提出一种交通运行体系流量数据采集缺失补全的算法模型，结合图1所示的内容，将车流量数据作为交通数据为例，包括如下步骤：
[0057]步骤1、在终端设备(比如：台式电脑、笔记本等)上安装相应的应用程序，关联交通大数据平台系统，构建全连接神经网络，结合图2所示的内容，全连接神经网络包括输入层、提取补全层以及输出层，
[0058]输入层用于输入交通数据缺失时间段内未缺失的附近路段的交通数据，未缺失的附近路段指交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通运行体系流量数据采集缺失补全的算法模型，其特征在于，包括如下步骤：获取各个路段的交通数据；将获取的交通数据进行处理，得到全连接神经网络所需的数据集；设计全连接神经网络模型，利用生成的数据集进行模型训练和验证调参，提取不同路段与附近路段交通数据的空间相关性；获取交通数据缺失路段附近路段的交通数据，做归一化处理；将归一化后的交通数据输入训练好的全连接神经网络模型，根据空间相关性补全缺失路段的交通数据。2.根据权利要求1所述的交通运行体系流量数据采集缺失补全的算法模型，其中，交通数据的处理包括在交通数据中分别提取每个路段和及其附近路段的历史交通数据，并构建每个路段对应的数据集；每个路段的数据集包含n个时间段附近路段交通数据X＝{x1,x2,x3…
,x
n
}以及当前路段的交通数据Y＝{y1,y2,y3…
,y
n
},其中x
i
表示的某一时间段m个附近路段的交通数据x
i
＝{x
i,1
,x
i,2
,
…
x
i,m
},y
i
表示对应时间段当前路段的交通数据，其数据矩阵格式可表示为：设定的时间段的间隔，时间段的间隔优选为5min；交通运行体系流量数据采集缺失补全的算法模型附近路段是指与交通数据待补全路段有交汇路口的路段。3.根据利要求1所述的交通运行体系流量数据采集缺失补全的算法模型，其中，所述全连接神经网络包括输入层、提取补全层以及输出层：所述输入层用于待补全交通数据路段的附近路段的交通数据；所述提取补全层用于提取待补全路段交通数据和附近路段的交通数据的空间相关性；所述输出层用于输出补全后的缺失路段的交通数据。4.根据权利要求1所述的交通运行体系流量数据采集缺失补全的算法模型，其中，所述交通数据归一化处理使用公式生成数据集，数据集为0到1之间的实数的数据集合，所述公式如下：上式中max表示数据集中的最大值，min表示数据集中的最小值。5.根据权利要求1所述的交通运行体系流量数据采集缺失补全的算法模型，其中，所述全连接神经网络模型的训练和验证包括如下步骤：构建模型结构；归一化处理后的数据集中附近路段的...

【专利技术属性】
技术研发人员：何冉冉，何中，朱聪聪，蔡亚军，严伟，
申请(专利权)人：江苏中威软件技术有限公司，
类型：发明
国别省市：