原文传递
基于深度学习的交通大数据修复研究
| 论文题名： | 基于深度学习的交通大数据修复研究 |
| 关键词： | 城市道路;智能交通系统;交通大数据;深度学习;缺失数据修复 |
| 摘要： | 近年来，随着智能交通系统和大量传感器的部署，交通领域进入了大数据时代，然而由于通信故障、设备损坏等原因，传感器采集到的交通数据中不可避免地存在缺失。针对这一问题，本文重点研究了基于深度学习的交通大数据修复方法。本文的主要研究贡献和创新点如下： （1）针对高速公路交通流数据修复问题，提出了一种交通流缺失数据插补模型，该模型将自注意力机制、自编码器和生成对抗网络结合成自注意力-生成式对抗修复网络（Self-Attention Generative Adversarial Imputation Net，SA-GAIN）。该模型可以有效捕获交通流中的时空规律性，生成与真实数据分布上接近的修复数据，通过该模型与其他基准修复模型的对比实验验证了方法的有效性。 （2）研究了城市路网背景下的交通流数据修复问题，提出了一种基于图卷积网络和多头注意力机制的交通流修复模型。该模型提出了利用路网拓扑关系和路段流量捕获交通流时空关联性的时空图卷积网络（Spatial-Temporal Graph Convolutional Network， STGCN），能够学习和捕获交通流数据中的时空关联性，通过计算道路之间的注意力改写邻接矩阵有效地缓解了图卷积网络的过平滑现象，提高了模型的修复效果，与其他基准模型的对比实验证明了该模型的有效性。 （3）研究了复杂城市路网车道流量修复问题，提出了一种精确到车道级的高精度度流量修复模型，图注意力-生成式对抗修复网络模型（Graph-Attention Generative Adversarial Imputation Net, GA-GAIN）。利用图注意力机制（Graph Attention Network, GAT）将车道组成的有向拓扑图嵌入到网络中，并根据车道流量学习上下游车道之间的注意力，捕获数据中的空间关联性，网络采取对称结构，在对称网络结构中加入残差链，并将车道数据的真实度作为判别器训练的标签，提高了生成数据的质量。实验表明，该模型相比于其他基准修复模型在多种缺失场景多种缺失率下均取得了最优的修复效果，从而证明了模型的有效性。 |
| 作者： | 张蒲璘 |
| 专业： | 信号与信息处理 |
| 导师： | 张伟斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
