专利交易市场

一种基于SAE-GAN-SAD的路网交通数据修复方法，包括以下步骤：1)获取路网交通数据，构建堆栈自编码器并对道路交通数据进行特征提取；2)确定生成器与判别器的结构，共同构建成生成对抗网络模型，将提取的道路交通状态时空特征作为生成器的输入，分别定义生成器与判别器的损失函数，使生成器与判别器同时进行对抗训练，实现根据缺失数据时空特征生成完整数据时空特征；3)获取经生成对抗网络对抗训练完成后生成的交通状态数据时空特征，利用堆栈自解码器解码出修复后的交通状态数据，实现道路交通状态数据修复。本发明依据已知交通数据采用SAE-GAN-SAD模型对缺失数据进行实时修复，可以有效提高交通状态数据修复的精度。

一种基于DTW-RGCN的路网交通数据修复的方法，包括以下步骤：1)基于道路历史数据相似性重构道路交通网络；2)对道路交通数据流进行预处理并构建交通流状态矩阵数据集；3)基于道路交通网络和道路交通流状态矩阵，使用基于高斯分布的图卷积网络提取特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，提取道路交通网络的节点特征；4)基于高斯分布的图卷积网络实现交通流数据修复：将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入，定义模型损失函数，经过反向传播不断优化模型的参数，实现对交通路网缺失数据的修复。本发明有效提高了交通流数据修复的鲁棒性与准确性。

一种基于生成对抗网络实现路网交通数据修复的方法，通过获取路网中各个检测器的历史时间序列数据，利用图自编码器(GAE)对缺失数据提取道路交通状态数据时空特征，经过生成对抗网络(GAN)，根据缺失交通状态数据的时空特征生成完整交通状态数据的时空特征，其中生成器内部结构采用长短期记忆神经网络(LSTM)，判别器内部结构采用全连接神经网络，最后再经过图自编码器的解码，实现交通状态数据的修复。本发明有效提高交通数据修复的准确性。