一种基于多源信息融合的全息交通状态数据集构建方法

1.本发明涉及交通数据处理技术领域，尤其涉及一种基于多源信息融合的全息交通状态数据集构建方法。


背景技术：

2.随着车辆保有量的不断提高，城市道路交叉口通行效率低、机动车辆通行缓慢等问题逐渐成为未来发展趋势。单一传感器受限于其物理特性，无法满足复杂交通网络实时监测的问题，道路交通状态感知精度差，使得交叉口通行效率低下、秩序混乱并且存在诸多安全隐患。
3.随着智能交通和车路协同技术的不断发展，先进的信息采集、信息交互技术的发展使实时数据融合成为可能，这些均促进了智能网联汽车技术和车辆驾驶系统的发展。在无线通信环境下，智能网联汽车可以更容易地感知和获取周围的环境和车辆信息，实时分析，有效联系多种影响因素，补全缺失的交通数据，构建全息交通数据集。
4.中国专利公开号：cn114664090a公开了一种基于循环神经网络的交通数据填补方法及系统，包括获取交通流数据；判断交通流数据是否存在缺失，若存在缺失，基于当前交通流数据和时间维度的循环神经网络，引入修正系数对循环神经网络的隐藏层变量和当前交通流数据进行修正处理，得到预填补交通流数据；提取预填补交通流数据特征变量，基于预填补交通流数据特征变量和特征维度的循环神经网络，捕捉预填补交通流数据特征变量之间的相关性，利用全接层将修正后的隐藏变量转换到数据空间，得到填补后的交通流数据。该发明通过挖掘在时间和空间两个维的内在联系，通过两种循环神经网络，分别使用针对使用基于时间维度改进的t-rnn和基于特征维度改进的f-rnn分别进行动态填补，泛化处理多元数据时序上与数据间的动态影响，对所缺失数据进行填补感知数据的缺失信息。由此可见，上述技术方案存在以下问题：该发明获取的交通原始数据集信息较为单一，未进行多维数据融合，导致交通状态感知精度不足。


技术实现要素：

5.为此，本发明提供一种基于多源信息融合的全息交通状态数据集构建方法，用以克服现有技术中对获取的初始数据信息缺乏多维数据融合分析能力，导致交通状态感知精度不足的问题。
6.为实现上述目的，本发明提供一种基于多源信息融合的全息交通状态数据集构建方法，包括：
7.步骤s1，利用交通信号机和路侧传感器将信号灯配时数据、激光雷达和高清摄像机采集数据发送给具有v2x通信功能的智能车载单元obu与多源信息融合装置mec，再将处理后的数据信息上传至云服务器或计算机终端，形成原始数据集；
8.步骤s2，根据路网拓扑关系构造有向路网图与无向路网图；
9.步骤s3，路网图根据颜色匹配方程为交通信息进行图像化处理；
10.步骤s4，原始数据集根据路网连接关系与距离关系的物理属性构造邻阶矩阵a，以表示路段间关联关系；
11.步骤s5，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全；
12.步骤s6，建立迭代补全生成式对抗性网络igani模型，生成补全数据集；
13.步骤s7，基于所述邻阶矩阵a与所述有向路网图建立的道路物理连接关系模型搭建加权有向图，由图信号矩阵表示交通状态特征，经带有数据补全机制的图嵌入长短期记忆神经网络ge-lstm构造交通状态预测模型预测出周期内的交通状态数据；
14.步骤s8，所述交通状态数据与所述补全数据集构建全息交通状态数据集。
15.进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s2中，根据路网拓扑关系构造有向路网图与无向路网图的步骤包括：
16.步骤s21，将实际路段中各个路段根据路段相邻关系抽象化为相邻的图块；
17.步骤s22，刻画出交通路网中的交叉口和路段；
18.步骤s23，将各个所述路段的速度数据通过二维信息图表示，构建实际路网图，包括无向路网图和有向路网图。
19.进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s3中，采用若干颜色来表示各路段平均速度并使用颜色匹配方程式对各速度值进行颜色表示以输出路网交通信息图的步骤包括：
20.步骤s31，计算各路段平均速率si，选用rgb三种颜色来表示路段平均速度的大小，使用颜色匹配方程式，各路段平均速率由公式(1)确定；
21.si＝c(c)＝r(r)+g(g)+b(b)
ꢀꢀ
(1)
22.步骤s32，根据路段数，得到各所述路段的平均速度的方程式数据，输出路网交通信息图；
23.其中，si表示路段i的平均速度；c表示路段i的颜色表示；r表示红色；g表示绿色；b表示蓝色。
24.进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s5中，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全的步骤包括：
25.步骤s51，计算最优空间-时间信息参数，包括；
26.步骤s511，用机器学习的方法对所述空间-时间交通信息补偿进行训练，即对空间-时间交通信息网络估计参数的最优化训练，将空间-时间交通信息变换表示为式(2)；
27.i'
t+k
＝t
θ
(i
t+k
)
ꢀꢀꢀ
(2)
28.其中，i'
t+k
为i
t+k
经过空间-时间变换t
θ
(i
t+k
)后的时段交通信息图；i
t+k
为t+k时段交通信息图；t
θ
(
·
)为基于路段相关矩阵模型，用来模拟道路流量变化，
29.步骤s512，所述空间-时间信息补偿网络的损失函数使用正则化方法表示，其最优化的参数估计方法通过式(3)确定；
30.θ
*
＝argmin||i
t-i'
t+k
||+λ||l
×
i'
t+k
||
ꢀꢀ
(3)
31.其中，θ
*
为空间-时间信息参数的最优化估计；λ为正则化参数；l为拉普拉斯算子；it
为t时段交通信息图，
32.步骤s513，将所述式(3)右边对θ
*
微分，并设其为0，采用最大梯度下降法进行迭代分析，最终即可获得最优空间-时间信息参数θ
*
；
33.步骤s52，将获得的缺失交通信息序列进行信息经补偿后生成的信息，作为输入特征值；
34.步骤s53，将所述输入特征值经生成器g生成补全交通信息；
35.步骤s54，由所述鉴别器d对所述补全交通信息进行判别；
36.步骤s55，所述鉴别器d输出补全后的交通信息。
37.进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，所述生成器g和所述鉴别器d的训练及损失函数的计算步骤包括：
38.步骤s56，在给定生成器g的情况下，鉴别器d的损失函数由式(4)表示；
[0039][0040]
其中，j
(d)
(θ
(g)
,θ
(d)
)为鉴别器d的最小化成本函数；e
x
表示在x的分布上所计算的期望值；z为生成器g的输入值；x为鉴别器d的输入值，
[0041]
采用零和博弈，使用生成器g的成本来中和鉴别器d的成本，即式(5)所示；
[0042]j(g)
＝-j
(d)
ꢀꢀꢀ
(5)
[0043]
则极小极大的优化，表示如下式(6)；
[0044][0045]
其中，所述生成器g的网络参数为θ
(g)
，所述鉴别器d的网络参数为θ
(d)
，
[0046]
步骤s57，计算所述生成器g的成本函数；
[0047]
通过最大化错误判别的概率或者通过最小化以下成本函数，训练所述生成器g：
[0048][0049]
通过将梯度惩罚合并到关于所述鉴别器损失的wgan利普希茨连续条件约束中可以表示为式(7)，用来避免梯度爆炸或消失；
[0050][0051]
其中，y＝tg(z)+(1-t)x，0≤t≤1，λ＝10；
[0052]
生成器g的成本函数可以表示为式(8)；
[0053]j(d)w
(θ
(g)
,θ
(d)
)＝-ezd(z)
ꢀꢀꢀ
(8)
[0054]
步骤s58，确定所述生成器g和所述鉴别器d的损失函数方程式；
[0055]
将已有样本数据记为x，生成样本数据记为g(z)，则生成器g的损失函数fg(z)定义如下式；
[0056]fg
(z)＝d(g(z))
[0057]
鉴别器d的损失函数fd(x，z)定义如下式：
[0058]
fd(x,z)＝d(x)+max
*
(α-d(g(z)))
[0059]
其中，max
*
(
·
)＝max(0，
·
)，α是一个正实数。
[0060]
进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建
方法，其特征在于，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型中，训练所述模型的生成器g和鉴别器d的步骤包括：
[0061]
步骤s61，对所述生成式对抗性网络igani模型的数据补全生成器进行设计；
[0062]
所述模型的生成器g的公式可以表示为g(x,m,z)＝(u,v)，
[0063][0064][0065]
其中，x∈rd是随机变量，为交通状态的观测向量值，观测向量值包括不完整数据集的完整观测值和缺失值，x∈{0，1}d是x的随机掩码，其中mj＝0表示为xj完整观测值，mj＝1表示缺失值的状态；z∈rd表示噪声矢量；g(
·
)是需要学习的函数；v是数据补全向量，且当xj是完整观测值时，有vj＝xj；补全数据矢量v与矢量x共享完整观测值；u为包含噪声与缺失值的数据观测向量；
[0066]
步骤s62，根据所述生成式对抗性网络igani模型的生成器g的损失函数式(9)最小化训练所述生成器g；根据所述鉴别器d的损失函数式(10)最小化训练所述鉴别器d；
[0067][0068][0069]
其中，为被补全的数据向量，y＝tg(z)+(1-t)
×
v，0≤t≤1，λ＝10。
[0070]
进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型生成补全数据信息的步骤包括：
[0071]
步骤s63，通过所述数据补全生成器对缺失的观测值进行迭代补全来生成补全数据矩阵v；
[0072]
步骤s64，基于所述v和重新洗牌的掩码矩阵n，再次应用所述生成器g进行二次迭代，生成被补全的数据矩阵
[0073]
步骤s65，所述鉴别器d通过分别给矩阵v和提供标量分数，来区分第一次和第二次重新补全的数据，输出补全信息。
[0074]
进一步地，根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s7中，建立交通状态预测模型步骤包括：
[0075]
s71，城市交叉口路网图构建，将交叉口场景表示为加权有向路网图m；
[0076]
s72，提取v2x多源信息融合数据，将数据的时间特征与空间特征进行融合，构造输入x
t
；
[0077]
在所述路网图m中，指定的滑动窗口l内其交通状态x
t
表示为下式；
[0078]
x
t
＝{x
t-l+1
,x
t-l+2
,...,x
t
}
[0079]
其中，xt作为lstm神经网络模型的输入，其维度为d，
[0080]
s73，将其输入至长短期记忆网络lstm单元预测下一个时间步长t的交通状态；
[0081]
在时间t，lstm单元有3个输入：当前交通状态x
t
，前一隐藏层输出值h
t-1
以及输出状态c
t-1
；同时包含3个输出分别是此时隐藏层输出值h
t
以及输出状态c
t
，产生的预测结果为y
t
，3个门的状态分别为i
t
、f
t
、o
t
，为0到1之间的数值，其中，在此网络单元中，c
t
和h
t
会传递
到下一个网络，其运算过程如下式(11)-式(15)；
[0082]it
＝σ(w
xi
x
t
+w
hiht-1
+w
cict-1
+bi)
ꢀꢀ
(11)
[0083]ft
＝σ(w
xf
x
t
+w
hfh
t-1
+wcfc
t-1
+bf)
ꢀꢀ
(12)
[0084]ot
＝σ(w
xo
+x
t
+w
hoht-1
+w
coct-1
+bo)
ꢀꢀ
(13)
[0085]ct
＝f
tct-1
+tanh(w
xc
x
t
+w
hcht-1
+bc)
ꢀꢀ
(14)
[0086]ht
＝o
t
tanh(c
t
)
ꢀꢀ
(15)
[0087]
其中，用w
xi
表示式(11)交通状态的输入x
t
的权重、w
xf
表示式(12)交通状态的输入x
t
的权重、w
xo
表示式(13)交通状态的输入x
t
的权重、w
xc
表示式(14)交通状态的输入x
t
的权重；w
hi
表示式(11)隐藏层h
t
的权重、w
hf
表示式(12)隐藏层h
t
的权重、w
ho
表示式(13)隐藏层h
t
的权重、w
hc
表示式(14)隐藏层h
t
的权重；w
ci
表示式(11)输出状态c
t
的权重、w
cf
表示式(12)输出状态c
t
的权重、w
co
表示式(13)输出状态c
t
的权重；bi表示式(11)中的偏置向量、bf表示式(12)中的偏置向量、bo表示式(13)中的偏置向量、bc表示式(13)中的偏置向量；tanh表示激活函数，能够把变量一一映射在[0，1]的范围中，
[0088]
σ(x)表示在等式中定义的sigmoid函数，表示为下式；
[0089][0090]
tanh(x)表示等式中定义的双曲正切函数，由下式确定；
[0091][0092]
s74，输出最终结果y
t
；
[0093]
网络预测输出最终结果y
t
计算为：y
t
＝wy·ht
+by[0094]
其中，wy表示交通预测值隐藏层h
t
的权重，by表示预测值的偏置向量。
[0095]
进一步地，根据权利要求8所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s71中，城市交叉口路网图构建方法包括：
[0096]
步骤s11，在交叉路口地段，安装v2x传感器；
[0097]
步骤s12，当车辆驶入v2x传感器感知范围，在区域内建立车车/车路无线通信，进行交叉口立体交通状态信息采集；
[0098]
步骤s13，将交叉口场景表示为加权有向图，表示为g＝(v,e,x)；在时间t时，所述图m的交通状态x
t
用图信号表示为x
t
∈rn×c，
[0099]
其中，v＝{v1，v2，...，vn}表示路段网络上的节点的集合，n为节点的个数；e＝{e
ij
}表示各个顶点vi和vj之间相互连通的一组边；x表示基于v2x路侧感知范围内的交通状态；c表示交通状态特征数量，包括交通流量、交通密度以及交通速度。
[0100]
进一步地，根据权利要求9所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s8中，构建全息交通状态数据集的计算方法如下：
[0101]
基于多源车路信息融合的实时交通状态补全装置采集原始数据为如下式(16)的label数据集；
[0102][0103]
其中，邻阶矩阵a表示道路网络之间的连接，ya表示道路状态特征包括信号相位，信号配时，排队长度，yb表示网联车辆状态特征包括车辆识别信息，车辆速度，车辆航向角，yc表示v2x通信设备状态特征包括信道带宽，传输延迟，丢包率，上行速率，x1∽x
t
表示时间序列下的特征值，
[0104]
根据路网特征融合有效数据为原始交通状态数据集y，数据集y包括交通流量、交通流密度、平均车速；
[0105]
y＝{x
t-n
,x
t-n+1
,x
t-n+2
,...,x
t
}
[0106]
其中，n为原始交通数据集时间序列长度，
[0107]
融合数据集经映射函数f补全时间步长为t的交通状态数据；
[0108]
[x
t+1
,...,x
t+t
]＝f(a；(x
t-n
,...,x-1
,x
t
))
[0109]
补全后的数据集label
*
表示为下式；
[0110][0111]
其中，y
*
为完整交通状态数据集。
[0112]
与现有技术相比，本发明的有益效果在于，本发明利用v2x多源信息融合的技术优势，提出一种基于多源信息融合的全息交通状态数据集构建方法，利用迭代补全生成式对抗性网络igani实现缺失数据集的内容补全，学习交通流数据空间和时间的相关性，从而为相关技术需求提供可靠的交通信息数据集，达到提高城市交叉口通行效率，减少交通事故的目的。本发明可有效克服由于设备损坏老化、年久失修、设备故障等造成的交通数据缺失问题，本发明基于补全与预测数据得到的全息路网交通数据，可有效提高对交通管理系统的协同管理效果，提高交通运行效率，本发明利用数据融合技术和数据补全技术，可有效提升交通控制系统的控制效果，缓解交通拥堵。
[0113]
进一步地，本发明采用v2x通信技术，全方位实现车-车、车-路动态信息交互，是车辆与道路、与其他车辆间实现协同配合、管理控制的通信手段，通过路侧与车载端硬件设备，实时采集道路、车辆数据，通过lte-v2x或5g-v2x通信协议实现双向通信，具有高传输、低延时、高稳定等技术特性，为管理者或驾驶员提供动态的交通状态信息、驾驶建议指导等，从而实现人车路协同工作，对形成安全、高效的交通环境有很大的促进作用。
[0114]
进一步地，本发明采用多源信息融合技术，依靠车用无线通信技术，基于多源传感器融合，包含激光雷达、高清摄像机、智能路侧单元rsu、具有v2x通信功能的智能车载单元obu以及边缘计算(mobi le edge comput ing，mec)单元等设备的路侧感知技术，感知交通观测数据，生成原始数据集。能够克服单一传感器无法满足复杂交通网络实时监测的问题，实现对城市交叉口的精准感知，从而提高城市道路交叉口通行效率与交通环境的安全性。
[0115]
进一步地，本发明补全交通数据集的方法是利用对抗神经网络，对一定时间步长的缺失数据进行学习训练与对抗补全，在保证损失率的前提下，生成完整交通数据集的技术。误差低、评价指标表征性高的数据集补全结果将为管理者提供交通管控的研究基础与
数据依据，也为进一步提升交通状态感知与预测的精准度提供参照对象。
[0116]
进一步地，本发明以历史交通数据集为输入，研究分析车辆与路网间的时空特性相关性，利用卷积神经网络等深度学习技术，建立交通状态预测模型，从而实现不同周期真实交通状态的预测，构建全息交通状态数据集。交通状态预测技术为决策者制定管控方案，避免交通事故发生提供可靠的算法支持，切实可行的提高道路通行效率与安全性。
附图说明
[0117]
图1为本发明基于多源信息融合的全息交通状态数据集构建方法的示意图；
[0118]
图2为本发明基于多源信息融合的全息交通状态数据集构建方法中数据采集装置结构示意图；
[0119]
图中：1，激光雷达；2，高清摄像机；3，交通信号灯；4，交换机；5，路侧单元rsu；6，gps模块；7，mec单元；8，天线；9，实时监控屏幕；10，交通信号灯杆；11，交通信号灯杆底座。
具体实施方式
[0120]
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0121]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
[0122]
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0123]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0124]
请参阅图1所示，其为本发明基于多源信息融合的全息交通状态数据集构建方法的示意图，包括：
[0125]
步骤s1，利用交通信号机和路侧传感器将信号灯配时数据、激光雷达和高清摄像机采集数据发送给具有v2x通信功能的智能车载单元obu与多源信息融合装置mec，再将处理后的数据信息上传至云服务器或计算机终端，形成原始数据集；
[0126]
步骤s2，根据路网拓扑关系构造有向路网图与无向路网图；
[0127]
步骤s3，路网图根据颜色匹配方程为交通信息进行图像化处理；
[0128]
步骤s4，原始数据集根据路网连接关系与距离关系的物理属性构造邻阶矩阵a，以表示路段间关联关系；
[0129]
步骤s5，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全；
[0130]
步骤s6，建立迭代补全生成式对抗性网络igani模型，生成补全数据集；
[0131]
步骤s7，基于所述邻阶矩阵a与所述有向路网图建立的道路物理连接关系模型搭建加权有向图，由图信号矩阵表示交通状态特征，经带有数据补全机制的图嵌入长短期记忆神经网络ge-lstm构造交通状态预测模型预测出周期内的交通状态数据；
[0132]
步骤s8，所述交通状态数据与所述补全数据集构建全息交通状态数据集。
[0133]
本发明利用v2x多源信息融合的技术优势，提出一种基于多源信息融合的全息交通状态数据集构建方法，利用迭代补全生成式对抗性网络实现缺失数据集的内容补全，学习交通流数据空间和时间的相关性，从而为相关技术需求提供可靠的交通信息数据集，达到提高城市交叉口通行效率，减少交通事故的目的。本发明可有效克服由于设备损坏老化、年久失修、设备故障等造成的交通数据缺失问题，本发明基于补全与预测数据得到的全息路网交通数据，可有效提高对交通管理系统的协同管理效果，提高交通运行效率，本发明利用数据融合技术和数据补全技术，可有效提升交通控制系统的控制效果，缓解交通拥堵。
[0134]
具体而言，在所述步骤s2中，根据路网拓扑关系构造有向路网图与无向路网图的步骤包括：
[0135]
根据路网拓扑关系构造有向路网图与无向路网图的步骤包括：
[0136]
步骤s21，将实际路段中各个路段根据路段相邻关系抽象化为相邻的图块；
[0137]
步骤s22，刻画出交通路网中的交叉口和路段；
[0138]
步骤s23，将各个所述路段的速度数据通过二维信息图表示，构建实际路网图，包括无向路网图和有向路网图，
[0139]
其中，所述有向路网根据实际道路流通方向构建，包括东西南北方向路网，单张有向路网图中，单个道路流向首尾相连，以表示车流的若干通行路径。
[0140]
具体而言，在所述步骤s3中，采用若干颜色来表示各路段平均速度并使用颜色匹配方程式对各速度值进行颜色表示以输出路网交通信息图的步骤包括：
[0141]
步骤s31，计算各路段平均速率si，选用rgb三种颜色来表示路段平均速度的大小，使用颜色匹配方程式，各路段平均速率由公式(1)确定；
[0142]
si＝c(c)＝r(r)+g(g)+b(b) (1)
[0143]
步骤s32，根据路段数，得到各所述路段的平均速度的方程式数据，输出路网交通信息图；
[0144]
其中，si表示路段i的平均速度；c表示路段i的颜色表示；r表示红色；g表示绿色；b表示蓝色。
[0145]
在实施中，在可见光597～780nm范围内，利用波长间隔来定义流量的变化区间(最大为路段所能承受的最大平均速度)，可以得到路网中各个路段交通流量所对应的一组颜色匹配方程式(17)：
[0146][0147]
其中，m表示区域路网中路段的个数；当某条路段的数据出现缺失的情况时，则其
所对应的二维信息色块会变成灰色。
[0148]
具体而言，在所述步骤s5中，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全的步骤包括：
[0149]
步骤s51，计算最优空间-时间信息参数，包括；
[0150]
步骤s511，用机器学习的方法对所述空间-时间交通信息补偿进行训练，即对空间-时间交通信息网络估计参数的最优化训练，将空间-时间交通信息变换表示为式(2)；
[0151]
i'
t+k
＝t
θ
(i
t+k
)
ꢀꢀ
(2)
[0152]
其中，i'
t+k
为i
t+k
经过空间-时间变换t
θ
(i
t+k
)后的时段交通信息图；i
t+k
为t+k时段交通信息图；t
θ
(
·
)为基于路段相关矩阵模型，用来模拟道路流量变化，
[0153]
步骤s512，所述空间-时间信息补偿网络的损失函数使用正则化方法表示，其最优化的参数估计方法通过式(3)确定；
[0154]
θ
*
＝argmin||i
t-i'
t+k
||+λ||l
×
i'
t+k
||
ꢀꢀ
(3)
[0155]
其中，θ
*
为空间-时间信息参数的最优化估计；λ为正则化参数；l为拉普拉斯算子；i
t
为t时段交通信息图，
[0156]
步骤s513，将所述式(3)右边对θ
*
微分，并设其为0，采用最大梯度下降法进行迭代分析，最终即可获得最优空间-时间信息参数θ
*
；
[0157]
步骤s52，将获得的缺失交通信息序列进行信息经补偿后生成的信息，作为输入特征值；
[0158]
步骤s53，将所述输入特征值经生成器g生成补全交通信息；
[0159]
步骤s54，由所述鉴别器d对所述补全交通信息进行判别；
[0160]
步骤s55，所述鉴别器d输出补全后的交通信息。
[0161]
具体而言，所述生成器g和所述鉴别器d的训练及损失函数的计算步骤包括：
[0162]
步骤s56，在给定生成器g的情况下，鉴别器d的损失函数由式(4)表示；
[0163][0164]
其中，j
(d)
(θ
(g)
,θ
(d)
)为鉴别器d的最小化成本函数；e
x
表示在x的分布上所计算的期望值；z为生成器g的输入值；x为鉴别器d的输入值，
[0165]
采用零和博弈，使用生成器g的成本来中和鉴别器d的成本，即式(5)所示；
[0166]j(g)
＝-j
(d)
ꢀꢀ
(5)
[0167]
则极小极大的优化，表示如下式(6)；
[0168][0169]
其中，所述生成器g的网络参数为θ
(g)
，所述鉴别器d的网络参数为θ
(d)
，
[0170]
步骤s57，计算所述生成器g的成本函数；
[0171]
通过最大化错误判别的概率或者通过最小化以下成本函数，训练所述生成器g：
[0172][0173]
通过将梯度惩罚合并到关于所述鉴别器损失的wgan利普希茨连续条件约束中可以表示为式(7)，用来避免梯度爆炸或消失；
[0174][0175]
其中，y＝tg(z)+(1-t)x，0≤t≤1，λ＝10；wgan利普希茨连续条件(wgan lipschitz)，
[0176]
生成器g的成本函数可以表示为式(8)；
[0177]j(d)w
(θ
(g)
,θ
(d)
)＝-e
zd(z)
ꢀꢀ
(8)
[0178]
步骤s58，确定所述生成器g和所述鉴别器d的损失函数方程式；
[0179]
将已有样本数据记为x，生成样本数据记为g(z)，则生成器g的损失函数fg(z)定义如下式；
[0180]fg
(z)＝d(g(z))
[0181]
鉴别器d的损失函数fd(x，z)定义如下式：
[0182]
fd(z,z)＝d(x)+max
*
(α-d(g(z)))
[0183]
其中，max
*
(
·
)＝max(0，
·
)，α是一个正实数。
[0184]
具体而言，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型中，训练所述模型的生成器g和鉴别器d的步骤包括：
[0185]
步骤s61，对所述生成式对抗性网络igani模型的数据补全生成器进行设计；
[0186]
所述模型的生成器g的公式可以表示为g(x,m,z)＝(u,v)，
[0187][0188][0189]
其中，x∈rd是随机变量，为交通状态的观测向量值，观测向量值包括不完整数据集的完整观测值和缺失值，x∈{0，1}d是x的随机掩码，其中mj＝0表示为xj完整观测值，mj＝1表示缺失值的状态；z∈rd表示噪声矢量；g(
·
)是需要学习的函数；v是数据补全向量，且当xj是完整观测值时，有vj＝xj；补全数据矢量v与矢量x共享完整观测值；u为包含噪声与缺失值的数据观测向量；
[0190]
步骤s62，根据所述生成式对抗性网络igani模型的生成器g的损失函数式(9)最小化训练所述生成器g；根据所述鉴别器d的损失函数式(10)最小化训练所述鉴别器d；
[0191][0192][0193]
其中，为被补全的数据向量，y＝tg(z)+(1-t)
×
v，0≤t≤1，λ＝10。
[0194]
具体而言，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型生成补全数据信息的步骤包括：
[0195]
步骤s63，通过所述数据补全生成器对缺失的观测值进行迭代补全来生成补全数据矩阵v；
[0196]
步骤s64，基于所述v和重新洗牌的掩码矩阵n，再次应用所述生成器g进行二次迭代，生成被补全的数据矩阵
[0197]
步骤s65，所述鉴别器d通过分别给矩阵v和提供标量分数，来区分第一次和第二次重新补全的数据，输出补全信息。
[0198]
具体而言，在所述步骤s7中，建立交通状态预测模型步骤包括：
[0199]
s71，城市交叉口路网图构建，将交叉口场景表示为加权有向路网图m；
[0200]
s72，提取v2x多源信息融合数据，将数据的时间特征与空间特征进行融合，构造输入x
t
；
[0201]
在所述路网图m中，指定的滑动窗口l内其交通状态x
t
表示为下式；
[0202]
x
t
＝{x
t-l+1
,x
t-l+2
,...,x
t
}
[0203]
其中，x
t
作为lstm神经网络模型的输入，其维度为d，
[0204]
s73，将其输入至长短期记忆网络lstm单元预测下一个时间步长t的交通状态；
[0205]
在时间t，lstm单元有3个输入：当前交通状态x
t
，前一隐藏层输出值h
t-1
以及输出状态c
t-1
；同时包含3个输出分别是此时隐藏层输出值h
t
以及输出状态c
t
，产生的预测结果为y
t
，3个门的状态分别为i
t
、f
t
、o
t
，为0到1之间的数值，其中，在此网络单元中，c
t
和h
t
会传递到下一个网络，其运算过程如下式(11)-式(15)；
[0206]it
＝σ(w
xi
x
t
+w
hiht-1
+w
cict-1
+bi)
ꢀꢀ
(11)
[0207]ft
＝σ(w
xf
x
t
+whfh
t-1
+w
cfct-1
+bf)
ꢀꢀ
(12)
[0208]ot
＝σ(w
xo
x
t
+w
hoht-1
+w
coct-1
+bo)
ꢀꢀ
(13)
[0209]ct
＝f
tct-1
+tanh(w
xc
x
t
+w
hcht-1
+bc)
ꢀꢀ
(14)
[0210]ht
＝o
t
tanh(c
t
)
ꢀꢀ
(15)
[0211]
其中，用w
xi
表示式(11)交通状态的输入x
t
的权重、w
xf
表示式(12)交通状态的输入x
t
的权重、w
xo
表示式(13)交通状态的输入x
t
的权重、w
xc
表示式(14)交通状态的输入x
t
的权重；w
hi
表示式(11)隐藏层h
t
的权重、w
hf
表示式(12)隐藏层h
t
的权重、w
ho
表示式(13)隐藏层h
t
的权重、w
hc
表示式(14)隐藏层h
t
的权重；w
ci
表示式(11)输出状态c
t
的权重、w
cf
表示式(12)输出状态c
t
的权重、w
co
表示式(13)输出状态c
t
的权重；bi表示式(11)中的偏置向量、bf表示式(12)中的偏置向量、bo表示式(13)中的偏置向量、bc表示式(13)中的偏置向量；tanh表示激活函数，能够把变量一一映射在[0，1]的范围中，
[0212]
σ(x)表示在等式中定义的sigmoid函数，表示为下式；
[0213][0214]
tanh(x)表示等式中定义的双曲正切函数，由下式确定；
[0215][0216]
s74，输出最终结果y
t
；
[0217]
网络预测输出最终结果y
t
计算为：y
t
＝wy·ht
+by[0218]
其中，wy表示交通预测值隐藏层h
t
的权重，by表示预测值的偏置向量。
[0219]
本发明以历史交通数据集为输入，研究分析车辆与路网间的时空特性相关性，利用卷积神经网络等深度学习技术，建立交通状态预测模型，从而实现不同周期真实交通状态的预测，构建全息交通状态数据集。交通状态预测技术为决策者制定管控方案，避免交通事故发生提供可靠的算法支持，切实可行的提高道路通行效率与安全性。
[0220]
具体而言，在所述步骤s71中，城市交叉口路网图构建方法包括：
[0221]
步骤s11，在交叉路口地段，安装v2x传感器；
[0222]
步骤s12，当车辆驶入v2x传感器感知范围，在区域内建立车车/车路无线通信，进
行交叉口立体交通状态信息采集；
[0223]
步骤s13，将交叉口场景表示为加权有向图，表示为g＝(v,e,x)；在时间t时，所述图m的交通状态x
t
用图信号表示为x
t
∈rn×c，
[0224]
其中，v＝{v1，v2，...，vn}表示路段网络上的节点的集合，n为节点的个数；e＝{e
ij
}表示各个顶点vi和vj之间相互连通的一组边；x表示基于v2x路侧感知范围内的交通状态；c表示交通状态特征数量，包括交通流量、交通密度以及交通速度。
[0225]
本发明补全交通数据集的方法是利用对抗神经网络，对一定时间步长的缺失数据进行学习训练与对抗补全，在保证损失率的前提下，生成完整交通数据集的技术。误差低、评价指标表征性高的数据集补全结果将为管理者提供交通管控的研究基础与数据依据，也为进一步提升交通状态感知与预测的精准度提供参照对象。
[0226]
具体而言，在所述步骤s8中，构建全息交通状态数据集的计算方法如下：
[0227]
基于多源车路信息融合的实时交通状态补全装置采集原始数据为如下式(16)的label数据集；
[0228][0229]
其中，邻阶矩阵a表示道路网络之间的连接，ya表示道路状态特征包括信号相位，信号配时，排队长度，yb表示网联车辆状态特征包括车辆识别信息，车辆速度，车辆航向角，yc表示v2x通信设备状态特征包括信道带宽，传输延迟，丢包率，上行速率，x1∽x
t
表示时间序列下的特征值，
[0230]
根据路网特征融合有效数据为原始交通状态数据集y，数据集y包括交通流量、交通流密度、平均车速；
[0231]
y＝{x
t-n
,x
t-n+1
,x
t-n+2
,...,x
t
}
[0232]
其中，n为原始交通数据集时间序列长度，
[0233]
融合数据集经映射函数f补全时间步长为t的交通状态数据；
[0234]
[x
t+1
,...,x
t+t
]＝f(a；(x
t-n
,...,x
t-1
,x
t
))
[0235]
补全后的数据集label
*
表示为下式；
[0236][0237]
其中，y
*
为完整交通状态数据集。
[0238]
本发明可有效克服由于设备损坏老化、年久失修、设备故障等造成的交通数据缺失问题，本发明基于补全与预测数据得到的全息路网交通数据，可有效提高对交通管理系统的协同管理效果，提高交通运行效率，本发明利用数据融合技术和数据补全技术，可有效提升交通控制系统的控制效果，缓解交通拥堵。
[0239]
实施例1：
[0240]
请参阅图2，其为本发明基于多源信息融合的全息交通状态数据集构建方法中数据采集装置结构示意图，数据采集装置安装具体步骤包括：
[0241]
步骤1:装置安装32线机械激光雷达1，安装于交通信号灯3最顶部，为保证数据同
步，采样频率被设置为10hz，用于识别、获取道路中车辆位置等基本信息，通过千兆交换机与mec单元链接；
[0242]
步骤2：装置安装高清摄像机2，安装于交通信号灯3次顶部，用于实现机器视觉识别获取车辆实时位置信息功能，通过千兆交换机与mec单元连接；
[0243]
步骤3：装置安装千兆交换机4，安装于交通信号灯杆10上部，用于装置各组件间数据传递；
[0244]
步骤4：装置安装路侧单元rsu5，安装于交通信号灯杆10中部，用于与智能车载单元obu通过v2i通信建立连接，接收智能车信息数据；
[0245]
步骤5：装置安装gps模块6，安装于交通信号灯杆10下部，用于获取智能信号灯杆所处地理位置；
[0246]
步骤6：装置安装天线8，安装于交通信号灯杆底座11稳定处，用于装置与互联网连接，装置数据与云端数据互通；
[0247]
步骤7：装置安装mec单元7，安装于交通信号灯杆底座11的稳定、通风且散热良好处，用于多源数据融合等边缘计算任务处理；
[0248]
步骤8：装置安装实时监控屏幕9，安装于交通信号灯杆底座11内，用于监控obu的任务卸载过程、v2x的通信状态、道路的实时交通状态以及mec任务处理状态等。
[0249]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0250]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于多源信息融合的全息交通状态数据集构建方法，其特征在于，包括：步骤s1，利用交通信号机和路侧传感器将信号灯配时数据、激光雷达和高清摄像机采集数据发送给具有v2x通信功能的智能车载单元obu与多源信息融合装置mec，再将处理后的数据信息上传至云服务器或计算机终端，形成原始数据集；步骤s2，根据路网拓扑关系构造有向路网图与无向路网图；步骤s3，所述路网图根据颜色匹配方程为交通信息进行图像化处理；步骤s4，所述原始数据集根据路网连接关系与距离关系的物理属性构造邻阶矩阵a，以表示路段间关联关系；步骤s5，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全；步骤s6，建立迭代补全生成式对抗性网络igani模型，生成补全数据集；步骤s7，基于所述邻阶矩阵a与所述有向路网图建立的道路物理连接关系模型搭建加权有向图，由图信号矩阵表示交通状态特征，经带有数据补全机制的图嵌入长短期记忆神经网络ge-lstm构造交通状态预测模型预测出周期内的交通状态数据；步骤s8，所述交通状态数据与所述补全数据集构建全息交通状态数据集。2.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s2中，根据路网拓扑关系构造有向路网图与无向路网图的步骤包括：步骤s21，将实际路段中各个路段根据路段相邻关系抽象化为相邻的图块；步骤s22，刻画出交通路网中的交叉口和路段；步骤s23，将各个所述路段的速度数据通过二维信息图表示，构建实际路网图，包括无向路网图和有向路网图。3.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s3中，采用若干颜色来表示各路段平均速度并使用颜色匹配方程式对各速度值进行颜色表示以输出路网交通信息图的步骤包括：步骤s31，计算各路段平均速率s
i
，选用rgb三种颜色来表示路段平均速度的大小，使用颜色匹配方程式，各路段平均速率由公式(1)确定；s
i
＝c(c)＝r(r)+g(g)+b(b)
ꢀꢀꢀꢀ
(1)步骤s32，根据路段数，得到各所述路段的平均速度的方程式数据，输出路网交通信息图；其中，s
i
表示路段i的平均速度；c表示路段i的颜色表示；r表示红色；g表示绿色；b表示蓝色。4.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s5中，所述邻阶矩阵a结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正与补全的步骤包括：步骤s51，计算最优空间-时间信息参数，包括；步骤s511，用机器学习的方法对所述空间-时间交通信息补偿进行训练，即对空间-时间交通信息网络估计参数的最优化训练，将空间-时间交通信息变换表示为式(2)；
其中，i
′
t+k
为i
t+k
经过空间-时间变换t
θ
(i
t+k
)后的时段交通信息图；i
t+k
为t+k时段交通信息图；t
θ
(
·
)为基于路段相关矩阵模型，用来模拟道路流量变化，步骤s512，所述空间-时间信息补偿网络的损失函数使用正则化方法表示，其最优化的参数估计方法通过式(3)确定；θ
*
＝argmin||i
t-i
′
t+k
||+λ||l
×
i
′
t+k
||
ꢀꢀꢀꢀꢀ
(3)其中，θ
*
为空间-时间信息参数的最优化估计；λ为正则化参数；l为拉普拉斯算子；i
t
为t时段交通信息图，步骤s513，将所述式(3)右边对θ
*
微分，并设其为0，采用最大梯度下降法进行迭代分析，最终即可获得最优空间-时间信息参数θ
*
；步骤s52，将获得的缺失交通信息序列进行信息经补偿后生成的信息，作为输入特征值；步骤s53，将所述输入特征值经生成器g生成补全交通信息；步骤s54，由所述鉴别器d对所述补全交通信息进行判别；步骤s55，所述鉴别器d输出补全后的交通信息。5.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，所述生成器g和所述鉴别器d的训练及损失函数的计算步骤包括：步骤s56，在给定生成器g的情况下，鉴别器d的损失函数由式(4)表示；其中，j
(d)
(θ
(g)
,θ
(d)
)为鉴别器d的最小化成本函数；e
x
表示在x的分布上所计算的期望值；z为生成器g的输入值；x为鉴别器d的输入值，采用零和博弈，使用生成器g的成本来中和鉴别器d的成本，即式(5)所示；j
(g
)＝-j
(d)
ꢀꢀꢀꢀ
(5)则极小极大的优化，表示如下式(6)；其中，所述生成器g的网络参数为θ
(g)
，所述鉴别器d的网络参数为θ
(d)
，步骤s57，计算所述生成器g的成本函数；通过最大化错误判别的概率或者通过最小化以下成本函数，训练所述生成器g：通过将梯度惩罚合并到关于所述鉴别器损失的wgan利普希茨连续条件约束中可以表示为式(7)，用来避免梯度爆炸或消失；其中，y＝tg(z)+(1-t)x，0≤t≤1，λ＝10；生成器g的成本函数可以表示为式(8)；j
(d)w
(θ
(g)
，θ
(d)
)＝-e
z
d(z)
ꢀꢀꢀꢀ
(8)步骤s58，确定所述生成器g和所述鉴别器d的损失函数方程式；将已有样本数据记为x，生成样本数据记为g(z)，则生成器g的损失函数f
g
(z)定义如下
式；f
g
(z)＝d(g(z))鉴别器d的损失函数f
d
(x，z)定义如下式：f
d
(x，z)＝d(x)+max
*
(m-d(g(z)))其中，max
*
(
·
)＝max(0，
·
)，α是一个正实数。6.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型中，训练所述模型的生成器g和鉴别器d的步骤包括：步骤s61，对所述生成式对抗性网络igani模型的数据补全生成器进行设计；所述模型的生成器g的公式可以表示为g(x,m,z)＝(u,v)，所述模型的生成器g的公式可以表示为g(x,m,z)＝(u,v)，其中，x∈r
d
是随机变量，为交通状态的观测向量值，观测向量值包括不完整数据集的完整观测值和缺失值，x∈{0，1}
d
是x的随机掩码，其中m
j
＝0表示为x
j
完整观测值，m
j
＝1表示缺失值的状态；z∈r
d
表示噪声矢量；g(
·
)是需要学习的函数；v是数据补全向量，且当x
j
是完整观测值时，有v
j
＝x
j
；补全数据矢量v与矢量x共享完整观测值；u为包含噪声与缺失值的数据观测向量；步骤s62，根据所述生成式对抗性网络igani模型的生成器g的损失函数式(9)最小化训练所述生成器g；根据所述鉴别器d的损失函数式(10)最小化训练所述鉴别器d；练所述生成器g；根据所述鉴别器d的损失函数式(10)最小化训练所述鉴别器d；其中，为被补全的数据向量，y＝tg(z)+(1-t)
×
v，0≤t≤1，λ＝10。7.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s6中，建立迭代补全生成式对抗性网络igani模型生成补全数据信息的步骤包括：步骤s63，通过所述数据补全生成器对缺失的观测值进行迭代补全来生成补全数据矩阵v；步骤s64，基于所述v和重新洗牌的掩码矩阵n，再次应用所述生成器g进行二次迭代，生成被补全的数据矩阵步骤s65，所述鉴别器d通过分别给矩阵v和提供标量分数，来区分第一次和第二次重新补全的数据，输出补全信息。8.根据权利要求1所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s7中，建立交通状态预测模型步骤包括：s71，城市交叉口路网图构建，将交叉口场景表示为加权有向路网图m；s72，提取v2x多源信息融合数据，将数据的时间特征与空间特征进行融合，构造输入x
t
；在所述路网图m中，指定的滑动窗口i内其交通状态x
t
表示为下式；x
t
＝{x
t-l+1
，x
t-l+2
，...，x
t
}
其中，x
t
作为lstm神经网络模型的输入，其维度为d，s73，将其输入至长短期记忆网络lstm单元预测下一个时间步长t的交通状态；在时间t，lstm单元有3个输入：当前交通状态x
t
，前一隐藏层输出值h
t-1
以及输出状态c
t-1
；同时包含3个输出分别是此时隐藏层输出值h
t
以及输出状态c
t
，产生的预测结果为y
t
，3个门的状态分别为i
t
、f
t
、o
t
，为0到1之间的数值，其中，在此网络单元中，c
t
和h
t
会传递到下一个网络，其运算过程如下式(11)-式(15)；i
t
＝σ(w
xi
x
t
+w
hi
h
t-1
+w
ci
c
t-1
+b
i
)
ꢀꢀꢀꢀꢀꢀ
(11)f
t
(w
xf
x
t
+w
hf
h
t-1
+w
cf
c
t-1
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀ
(12)o
t
＝σ(w
xo
x
t
+w
ho
h
t-1
+w
co
c
t-1
+b
o
)
ꢀꢀꢀꢀꢀꢀ
(13)c
t
＝f
t
c
t-1
+tanh(w
xc
x
t
+w
hc
h
t-1
+b
c
)
ꢀꢀꢀꢀꢀꢀꢀ
(14)h
t
＝o
t
tanh(c
t
) (15)其中，用w
xi
表示式(11)交通状态的输入x
t
的权重、w
xf
表示式(12)交通状态的输入x
t
的权重、w
xo
表示式(13)交通状态的输入x
t
的权重、w
xc
表示式(14)交通状态的输入x
t
的权重；w
hi
表示式(11)隐藏层h
t
的权重、w
hf
表示式(12)隐藏层h
t
的权重、w
ho
表示式(13)隐藏层h
t
的权重、w
hc
表示式(14)隐藏层h
t
的权重；w
ci
表示式(11)输出状态c
t
的权重、w
cf
表示式(12)输出状态c
t
的权重、w
co
表示式(13)输出状态c
t
的权重；b
i
表示式(11)中的偏置向量、b
f
表示式(12)中的偏置向量、b
o
表示式(13)中的偏置向量、b
c
表示式(13)中的偏置向量；tanh表示激活函数，能够把变量一一映射在[0，1]的范围中，σ(x)表示在等式中定义的sigmoid函数，表示为下式；tanh(x)表示等式中定义的双曲正切函数，由下式确定；s74，输出最终结果y
t
；网络预测输出最终结果y
t
计算为：y
t
＝w
y
·
h
t
+b
y
其中，w
y
表示交通预测值隐藏层h
t
的权重，b
y
表示预测值的偏置向量。9.根据权利要求8所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s71中，城市交叉口路网图构建方法包括：步骤s11，在交叉路口地段，安装v2x传感器；步骤s12，当车辆驶入v2x传感器感知范围，在区域内建立车车/车路无线通信，进行交叉口立体交通状态信息采集；步骤s13，将交叉口场景表示为加权有向图，表示为g＝(v,e，x)；在时间t时，所述图m的交通状态x
t
用图信号表示为x
t
∈r
n
×
c
，其中，v＝{v1，v2，...，v
n
}表示路段网络上的节点的集合，n为节点的个数；e＝{e
ij
}表示各个顶点v
i
和v
j
之间相互连通的一组边；x表示基于v2x路侧感知范围内的交通状态；c表示交通状态特征数量，包括交通流量、交通密度以及交通速度。10.根据权利要求9所述的基于多源信息融合的全息交通状态数据集构建方法，其特征在于，在所述步骤s8中，构建全息交通状态数据集的计算方法如下：
基于多源车路信息融合的实时交通状态补全装置采集原始数据为如下式(16)的label数据集；其中，邻阶矩阵a表示道路网络之间的连接，y
a
表示道路状态特征包括信号相位，信号配时，排队长度，y
b
表示网联车辆状态特征包括车辆识别信息，车辆速度，车辆航向角，y
c
表示v2x通信设备状态特征包括信道带宽，传输延迟，丢包率，上行速率，x1∽x
t
表示时间序列下的特征值，根据路网特征融合有效数据为原始交通状态数据集y，数据集y包括交通流量、交通流密度、平均车速；y＝{x
t-n
，x
t-n+1
，x
t-n+2
，...，x
t
}其中，n为原始交通数据集时间序列长度，融合数据集经映射函数f补全时间步长为t的交通状态数据；[x
t+1
，...，x
t+t
]＝f(a；(x
t-n
，...，x
t-1
，x
t
))补全后的数据集label
*
表示为下式；其中，y
*
为完整交通状态数据集。

技术总结
本发明涉及交通数据处理技术领域，尤其涉及一种基于多源信息融合的全息交通状态数据集构建方法，包括获取原始数据集，根据路网拓扑关系构造有向路网图与无向路网图，路网图根据颜色匹配方程为交通信息进行图像化处理，构造邻阶矩阵，结合交通信息图经过空间-时间信息补偿网络对原始交通特征数据进行初步修正补全，建立迭代补全生成式对抗性网络IGANI模型，生成补全数据集，基于邻阶矩阵与有向路网图建立的道路物理连接关系模型搭建加权有向图，经GE-LSTM交通状态预测模型预测出周期内交通状态数据生成预测数据集，构建全息交通状态数据集，本发明有效克服由于设备损坏老化故障问题造成的数据缺失问题，有效提升交通控制系统的控制效果。系统的控制效果。系统的控制效果。


技术研发人员：王庞伟 何昕泽 王天任 刘程
受保护的技术使用者：北方工业大学
技术研发日：2023.03.29
技术公布日：2023/6/28