交通数据的补全方法、装置和存储介质制造方法及图纸

本申请涉及一种交通数据的补全方法、装置和存储介质，其中，该交通数据的补全方法包括：构建生成式对抗网络，基于多目标学习对生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型；将待处理的交通数据输入数据补全模型进行数据补全，得到针对交通数据的补全结果。其能够通过引入矩阵分解还原模块增强生成式对抗网络在大面积或长时间的连续性数据丢失场景中的检测的准确度，并强化数据的可解释性，并基于多目标学习提高结果的稳定度。稳定度。稳定度。

【技术实现步骤摘要】
交通数据的补全方法、装置和存储介质


[0001]本申请涉及交通数据处理领域，特别是涉及交通数据的补全方法、装置和存储介质。

技术介绍

[0002]随着科学技术的发展，对交通数据的监控能够对道路安全管控以及道路规划建设产生重要作用。其中，由于交通数据具有较强的周期性和道路间的关联性，采用重点监控结合数据恢复的方式，相比地毯式监控的方式更加节省成本，并更具可操作性。另外，在交通数据的监控场景中，同样也需要针对设备损坏、数据丢失等情况，进行交通数据的恢复补全。此外，对于交通数据的恢复，不仅能够直观完备地表征对应场景的交通情况，还能够对路线导航、时间预测、事故推断道路建设规划等下游任务产生较强助力。
[0003]随着现实场景日趋复杂化，目前通常利用生成式对抗网络来实现交通数据的恢复。由于生成式对抗网络本身具有难收敛、难解释等特性，使得其在实际应用场景中的检测较为不稳定并难以为人所信服。此外，生成式对抗网络本质上更多地是模仿临近时间和道路流量，在大面积或长时间的连续性数据丢失情景中的准确度和稳定度较低。
[0004]针对相关技术中存在交通数据恢复的可解释性较差且不适用于大面积或长时间的连续性数据丢失场景的问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例中提供了一种交通数据的补全方法、装置和存储介质，以解决相关技术中交通数据恢复的可解释性较差且不适用于大面积或长时间的连续性数据丢失场景的问题。
[0006]第一个方面，在本实施例中提供了一种交通数据的补全方法，包括：
[0007]构建生成式对抗网络，基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型；
[0008]将待处理的交通数据输入所述数据补全模型进行数据补全，得到针对所述交通数据的补全结果。
[0009]在其中的一些实施例中，所述基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型，包括：
[0010]基于多目标学习，对所述生成式对抗网络中的生成器的损失函数和网络参数、矩阵分解还原模块的损失函数和网络参数、以及判别器的损失函数和网络参数进行更新，直至更新后的所述生成式对抗网络达到预设的训练条件，确认所述生成式对抗网络训练完成，得到训练完备的用于对交通数据进行补全的数据补全模型。
[0011]在其中的一些实施例中，所述方法还包括：
[0012]在对所述生成式对抗网络进行训练的过程中，判断所述生成器的损失函数与所述矩阵分解还原模块的损失函数的变化方向是否相反，若是，则基于帕累托优化策略迭代多目标系数，并基于迭代后的多目标系数更新所述生成器的损失函数和所述矩阵分解还原模块的损失函数。
[0013]在其中的一些实施例中，所述基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型，还包括：
[0014]利用预设的梯度下降法对所述生成式对抗网络中的生成器和判别器进行异步更新，并在对所述生成器更新的同时，利用所述梯度下降法对所述生成式对抗网络中的矩阵分解还原模块进行同步更新，得到训练完备的用于对交通数据进行补全的数据补全模型。
[0015]在其中的一些实施例中，所述构建生成式对抗网络，基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型，包括：
[0016]构建生成式对抗网络，并对所述生成式对抗网络初始化；
[0017]初始化训练数据，并将所述训练数据输入初始化的生成式对抗网络，基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型。
[0018]在其中的一些实施例中，所述将待处理的交通数据输入所述数据补全模型进行数据补全，得到针对所述交通数据的补全结果，包括：
[0019]对原始数据进行预处理，生成以时间和道路为维度的流量矩阵；
[0020]基于所述流量矩阵构建特征矩阵；
[0021]将所述特征矩阵作为待处理的交通数据，输入所述数据补全模型进行数据补全，得到针对所述交通数据的补全结果。
[0022]在其中的一些实施例中，所述方法还包括：
[0023]对所述交通数据的补全结果进行显示。
[0024]在其中的一些实施例中，所述方法还包括：
[0025]存储由所述数据补全模型进行补全的所述补全结果的生成依据。
[0026]第二个方面，在本实施例中提供了一种交通数据的补全装置，包括：训练模块和补全模块；其中：
[0027]所述训练模块，用于构建生成式对抗网络，基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型；
[0028]所述补全模块，用于将待处理的交通数据输入所述数据补全模型进行数据补全，得到针对所述交通数据的补全结果。
[0029]第三个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的交通数据的补全方法。
[0030]与相关技术相比，在本实施例中提供的交通数据的补全方法、装置和存储介质，构建生成式对抗网络，基于多目标学习对生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型；将待处理
的交通数据输入数据补全模型进行数据补全，得到针对交通数据的补全结果。其能够通过引入矩阵分解还原模块增强生成式对抗网络在大面积或长时间的连续性数据丢失场景中的检测的准确度，并强化数据的可解释性，并基于多目标学习提高结果的稳定度。
[0031]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0032]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0033]图1是本实施例的交通数据的补全方法的终端的硬件结构框图；
[0034]图2是本实施例的交通数据的补全方法的流程图；
[0035]图3是本优选实施例的数据补全模型的训练方法的流程图；
[0036]图4是本实施例的交通数据的补全装置的结构框图。
具体实施方式
[0037]为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
[0038]除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属
具备一般技能的人所理解的一般含义。在本申请中的“一”、“一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通数据的补全方法，其特征在于，包括：构建生成式对抗网络，基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型；将待处理的交通数据输入所述数据补全模型进行数据补全，得到针对所述交通数据的补全结果。2.根据权利要求1所述的交通数据的补全方法，其特征在于，所述基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型，包括：基于多目标学习，对所述生成式对抗网络中的生成器的损失函数和网络参数、矩阵分解还原模块的损失函数和网络参数、以及判别器的损失函数和网络参数进行更新，直至更新后的所述生成式对抗网络达到预设的训练条件，确认所述生成式对抗网络训练完成，得到训练完备的用于对交通数据进行补全的数据补全模型。3.根据权利要求2所述的交通数据的补全方法，其特征在于，所述方法还包括：在对所述生成式对抗网络进行训练的过程中，判断所述生成器的损失函数与所述矩阵分解还原模块的损失函数的变化方向是否相反，若是，则基于帕累托优化策略迭代多目标系数，并基于迭代后的多目标系数更新所述生成器的损失函数和所述矩阵分解还原模块的损失函数。4.根据权利要求1所述的交通数据的补全方法，其特征在于，所述基于多目标学习对所述生成式对抗网络中的生成器、矩阵分解还原模块以及判别器进行训练，得到训练完备的用于对交通数据进行补全的数据补全模型，还包括：利用预设的梯度下降法对所述生成式对抗网络中的生成器和判别器进行异步更新，并在对所述生成器更新的同时，利用所述梯度下降法对所述生成式对抗网络中的矩阵分解还原模块进行同步更新，得到训练完备的用于对交通数据进行补全的数据补全模型。5.根据权利要求1所述的交通数据的...

【专利技术属性】
技术研发人员：韩乔，杨耀，
申请(专利权)人：之江实验室，
类型：发明
国别省市：