技术特征：
1.一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，具体包括以下步骤：s1：通过交通开放平台数据库中实时查询，得到路网卡口的交通流量数据；s2：对路网卡口的交通流量数据进行数据清洗，删除重复数据、清理无效信息，得到结构化交通流量数据；s3：根据路网卡口的结构化交通流量数据，利用trajectory2vectory算法计算卡口之间的量化关联程度，并采用目标函数最大化卡口之间的量化关联程度，根据最大化量化关联程度将路网中的相近卡口映射到矩阵空间中相近的位置，得到路网矩阵，并将对应卡口的交通流量数据填入路网矩阵中，卡口缺失的交通流量数据缺失用0填充，并对完成数据填充的矩阵进行优化，得到路网特征矩阵；s4：建立路网交通流量数据恢复模型，所述路网交通流量数据恢复模型包括：时空同步图神经网络模块、时空图注意力机制模块、融合恢复网络模块；s5：通过时空同步图神经网络模块捕获没有交通流量数据缺失的卡口的隐藏交通流状态，将卡口的隐藏交通流状态输入时空图注意力机制模块中，捕获没有流量数据缺失的卡口的动态特征；s6：将卡口的隐藏交通流状态和卡口的动态特征输入融合恢复网络模块，恢复卡口缺失的交通流量数据；s7：将恢复的卡口交通流量数据填入路网特征矩阵的对应卡口中，完成路网卡口的缺失流量数据的补偿。2.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，利用trajectory2vectory算法计算卡口间的量化关联程度，其表达式包括：其中，p(v
j
|v
i
)表示卡口节点v
i
与卡口节点v
j
之间的量化关联程度，表示将卡口节点v
i
为顶点时的向量表示，表示将卡口节点v
i
为特定相邻节点时的向量表示，|v|是矩阵的顶点数量，exp()表示指数函数，k表示顶点集合中的某一顶点，t表示向量的转置。3.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，采用目标函数最大化卡口之间的量化关联程度，其表达式包括：其中，o表示目标函数，(i,j)∈e表示权重边集合中的一条权重边的两个顶点i和j，w
ij
表示边(i,j)的权重，p(v
j
|v
i
)表示卡口节点v
i
与卡口节点v
j
之间的量化关联程度。4.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，根据最大化量化关联程度将路网中的相近卡口映射到矩阵空间中相近的位置，得到路网矩阵，其表达式包括：
其中，p表示路网矩阵，argmax表示最大值自变量点集函数，表示将卡口节点v
i
为顶点时的向量表示，表示将卡口节点v
i
为特定相邻节点时的向量表示，|v|表示顶点矩阵的顶点数量，v表示顶点矩阵，exp()表示指数函数，k表示顶点集合中的某一顶点，t表示向量的转置，表示路网矩阵中卡口的向量集合。5.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，将对应卡口的交通流量数据填入路网矩阵中，卡口缺失的交通流量数据缺失用0填充，其表达式包括：其中，p表示路网矩阵，表示矩阵中卡口节点(x,y)实际对应的卡口流量值，表示路网矩阵第x行y列的卡口节点，t表示时刻，表示实际路网中卡口的位置。6.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，所述路网特征矩阵，表示为：其中，x
t
表示t时刻的路网特征矩阵，n2m()表示卡口节点转换为矩阵的表示函数，f
t
表示t时刻的路网流量值，表示一个r
×
c的矩阵，表示路网矩阵第x行y列的卡口节点，t表示时刻。7.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，卡口的隐藏交通流状态，表示为：h
t
＝u
t
*h
t-1
+(1-u
t
)*c
t
其中，h
t
表示卡口节点t时刻的隐藏交通流状态，h
t-1
表示上一时刻卡口节点的交通状态，u
t
表示gru模型的更新门控，u
t
＝σ(w
u
·
[gc(x
t
,a),h
t-1
]+b
u
)，σ表示激活函数，w
u
表示第一可学习参数，x
t
表示t时刻的路网特征矩阵，a表示邻接矩阵，b
u
表示第二可学习参数，c
t
表示推导出候选的交通隐藏状态，c
t
＝tanh(w
c
·
[gc(x
t
,a),(r
t
,h
t-1
)]+b
c
)，w
c
表示第三可学习参数，gc()表示卷积操作，b
c
表示第四可学习参数，r
t
表示gru模型的重置门控，r
t
＝σ(w
r
·
[gc(x
t
,a),h
t-1
]+b
r
)，w
r
表示第五可学习参数，b
r
表示第六可学习参数。8.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，卡口的动态特征，表示为：其中，f
t
表示捕获的卡口节点的动态特征，t表示某一时刻，m表卡口数量，exp()表示指
数函数，n表示隐藏状态数量，e
k
表示第k个隐藏状态的权重，h
i
表示各个时刻的交通隐藏状态，α表示隐藏状态的权重，α＝w2(w1h
i
+b1)+b2，w1表示第一层图神经网络的权重，w2表示第二层图神经网络的权重，b1表示第一层图神经网络的偏差，b2表示第二层图神经网络的偏差。9.根据权利要求1所述的一种基于多属性融合神经网络的交通数据补偿方法，其特征在于，恢复卡口缺失的交通流量数据，表示为：g
t
＝recovery(merge(h
t
,f
t
))其中，g
t
表示t时刻时恢复后的路网流量，h
t
表示卡口节点t时刻的隐藏交通流状态，f
t
表示捕获的卡口节点动态特征，merge()表示将时空特征和动态特征进行特征融合的合并函数，recovery()表示根据融合的特征恢复卡口缺失的交通流量数据。
技术总结
本发明属于智能交通领域，具体涉及一种基于多属性融合神经网络的交通数据补偿方法，包括：获取路网卡口的交通流量数据，计算卡口之间的量化关联程度，建立路网矩阵，并将对应卡口的交通流量数据填入路网矩阵中，得到路网特征矩阵，建立路网交通流量数据恢复模型，通过时空同步图神经网络模块捕获没有交通流量数据缺失的卡口的隐藏交通流状态，通过时空图注意力机制模块捕获没有流量数据缺失的卡口的动态特征，将卡口的隐藏交通流状态和卡口的动态特征输入融合恢复网络模块，恢复卡口缺失的交通流量数据。本发明通过引入交通流中的动态性，不仅可以更准确得恢复缺失的交通数据，还可以分析出交通路网上的交通变化状态。可以分析出交通路网上的交通变化状态。可以分析出交通路网上的交通变化状态。
技术研发人员：贾朝龙 李文辉 肖云鹏 龚佳明 张健
受保护的技术使用者：重庆邮电大学
技术研发日：2022.08.22
技术公布日：2022/11/22