一种基于时空路网像素化表示的交通流量数据插补方法

1.本发明属于异常数据处理领域，具体涉及一种基于时空路网像素化表示的交通流量数据插补方法。


背景技术：

2.信息技术的普及使得智能交通系统(its)成为一种流行趋势，its利用交通传感器捕捉交通流数据，以作为流量预测、需求分析等研究的基础。然而，由于外部环境变化等原因，造成数据错误或丢失现象。数据缺失降低了原始数据集质量，将导致后续研究结果不稳定而做出错误决策。因此，交通数据插补在its的收集和存储中变得不可或缺。
3.近年来，交通数据缺失成为了热点问题，也受到了越来越多的学者关注。交通数据插补总体分为三大类：基于统计学习的方法通过强调交通流统计特征获取交通流信息填充缺失值。基于机器学习的方法是通过捕获交通数据中的非线性动态特征估算缺失值。基于深度学习的生成方法主要是通过利用生成模型得到原始相似数据插补缺失值。
4.随着深度学习的发展，众多学者在基于生成对抗网络的视频恢复技术上已经进行了诸多研究，但将视频修复技术应用在交通数据插补仍然存在巨大的挑战：
5.1.交通流数据像素化。相比于图像而言，交通路网结构和流量数据是一种非欧几里得数据。卡口节点映射到图像空间，要保持相互之间的关系。如何将交通流数据转化成图像像素的形式是一大难题。
6.2.交通卡口时空相关性对数据插补的影响。交通路网结构中相通卡口存在相互关联，同周期内同一卡口有规律性。如何从全局挖掘交通卡口在时空上隐藏的关系依赖信息成为挑战。
7.3.原始生成对抗网络易崩溃且训练不稳定。传统的生成对抗网络输入向量存在随机性，使得训练难度加大。同时准确性和多样性的对抗博弈造成模式崩溃。如何优化生成样本的数据源和模型稳定性也是一个问题。


技术实现要素：

8.针对现有技术存在的不足，本发明提出了一种基于时空路网像素化表示的交通流量数据插补方法，该方法包括：
9.s1：获取交通卡口的车流基本数据；
10.s2：根据车流基本数据构建交通路网并得到交通路网的邻接矩阵；根据车流基本数据得到路网关系特征相似度矩阵；
11.s3：根据路网关系特征相似度矩阵和邻接矩阵通过roadnet2pix算法对卡口节点进行像素化处理，得到卡口流量图像；
12.s4：将卡口流量图像输入到训练好的基于stagan的缺失数据生成模型中，得到数据插补好的完整卡口流量图像。
13.优选的，车流基本数据包括卡口的当前车流数据和历史前后车流数据；车流数据
包括车辆通过卡口的时间，车辆行进方向、车辆流量和车辆行驶平均速度。
14.优选的，对卡口节点进行像素化处理的过程包括：
15.s31：根据邻接矩阵和路网关系特征相似度矩阵，以卡口为节点，路网关系特征相似度为边权构建加权卡口关系网络；
16.s32：采用node2vec算法对加权卡口关系网络进行处理，生成线性卡口序列；根据线性卡口序列，将卡口节点嵌入到二维空间；
17.s33：根据卡口节点在二维空间的分布对二维空间进行切分，得到网格像素空间；在网格像素空间中对卡口节点进行分离，得到路网像素矩阵；
18.s34：将卡口节点的流量数据填充到路网像素矩阵中，得到卡口流量图像。
19.进一步的，采用node2vec算法对加权卡口关系网络进行处理的过程包括：根据路网关系特征相似度定义二阶游走策略；根据二阶游走策略计算节点转移概率；根据节点转移概率在加权卡口关系网络中进行游走并生成线性卡口序列。
20.进一步的，二阶游走策略表示为：
21.π
xy
＝α
pq
(k,x)
·wxy
22.其中，α
pq
(k,x)表示搜索偏差，w
xy
表示节点x到节点y的路网关系特征相似度，n代表卡口总数量。
23.优选的，得到数据插补好的完整卡口流量图像的过程包括：基于stagan的缺失数据生成模型包括训练好的sta生成器和判别器；
24.s41：采用sta生成器对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像；其中，sta生成器包括vae组块和时空特征关注组件；
25.s42：根据原始卡口流量图像，采用判别器对完整卡口流量图像进行判别，得到与原始卡口流量图像最相似的完整卡口流量图像。
26.进一步的，sta生成器对卡口流量图像进行处理的过程包括：采用时空特征关注组件对卡口流量图像进行处理，得到空间注意力值和不同时间段上卡口的关注度；根据空间注意力值和不同时间段上卡口的关注度，采用vae组块对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像。
27.进一步的，时空特征关注组件对卡口流量图像进行处理的过程包括：时空特征关注组件包括空间关系感知注意块和时间长序列注意块；采用空间关系感知注意块根据卡口流量图像得到卡口节点特征向量，对卡口节点特征向量进行处理，得到卡口节点关系向量；拼接卡口节点特征向量和卡口节点关系向量，得到空间关系感知特征，根据关系感知特征得到空间注意力值；采用时间长序列注意块对卡口流量图像进行处理，得到不同时间段上卡口的关注度。
28.本发明的有益效果为：针对交通状态不断变化的特点，从高空观测城市路网可类比成一部动态的交通状态视频，本发明利用视频修复思维对视频“帧”内缺失像素点进行修复，针对城市交通错综复杂的特点，本发明将交通流数据转化成图像像素，并采用一种全局时空关注组件挖掘路网中各个卡口之间的隐藏关联；此外，优化了生成对抗网络训练过程中的样本生成。与现有技术相比，本发明针对“大”缺失率数据具有良好的修复作用，可实现对数据缺失交通卡口的数据插补，准确性高。
附图说明
29.图1为本发明中基于时空路网像素化表示的交通流量数据插补方法结构示意图；
30.图2为本发明中roadnet2pix算法生成卡口流量图像过程示意图；
31.图3为本发明中基于stagan的缺失数据生成模型示意图；
32.图4为本发明中时空特征关注组件示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.本发明提出了一种基于时空路网像素化表示的交通流量数据插补方法，如图1所示，所述方法包括以下内容：
35.s1：获取交通卡口的车流基本数据。
36.车流基本数据包括卡口的当前车流数据和历史前后车流数据；车流数据包括车辆通过卡口的时间，车辆行进方向、车辆流量和车辆行驶平均速度。当前车流数据为当前时段流经缺失数据卡口的车流基本数据，历史前后车流数据为在当前时段前后流经缺失数据卡口且与当前时段具有相同时间步的车流基本数据。
37.获取在高速公路上的卡口流动情况即交通卡口的车流基本数据，可从城市道路中用传感器捕捉交通卡口数据，传感器集合表示为s＝{t,o,f,b}。其中，t表示时间戳，o表示行进方向，f表示车辆流量，b表示车辆行驶平均速度。
38.s2：根据车流基本数据构建交通路网并得到交通路网的邻接矩阵；根据车流基本数据得到路网关系特征相似度矩阵。
39.为了更形象的观测道路之间的结构关系，在本发明中将城市的交通路网结构描述为g＝(v,e)。其中，v＝{v1,v2,
…
,vn}表示卡口集合，e代表两个卡口之间的路段集合。路网中卡口连通性存储在邻接矩阵中，a
ij
表示卡口i与卡口j之间的连通关系：
[0040][0041]
城市场所非单一性造成不同地点拥有相同交通特征，路网关系特征相似度矩阵w表示为：
[0042][0043]
其中，w
ij
表示卡口i与卡口j的关系特征相似度，由两个卡口之间车流量的大小决定，将相似度数值作归一化处理至[0-1]之间，数值越大表示两个路段越相似。
[0044]
s3：根据路网关系特征相似度矩阵和邻接矩阵通过roadnet2pix算法对卡口节点进行像素化处理，得到卡口流量图像。
[0045]
首先采用图嵌入和词嵌入技术将卡口节点映射到二维空间；然后在保持节点间相
对位置保持不变的情况下，通过切分和分离生成像素矩阵；最后将卡口节点流量数据填充到像素矩阵对应的像素点，从而获得卡口的流量图像。如图2所示，通过roadnet2pix(路网到像素)算法对卡口节点进行像素化处理的具体过程如下：
[0046]
s31：根据邻接矩阵和路网关系特征相似度矩阵，以卡口为节点，路网关系特征相似度为边权构建加权卡口关系网络。
[0047]
在交通领域内，为了从庞大且复杂的路网结构中研究不同卡口之间的关系，使用路网关系特征相似度矩阵w来量化不同卡口之间的影响。以卡口为节点，关系特征相似度w
xy
的值作为卡口(x,y)边的权重，构建加权卡口关系网络。
[0048]
s32：采用节点嵌入算法node2vec算法对加权卡口关系网络进行处理，生成线性卡口序列；根据线性卡口序列，将卡口节点嵌入到二维空间。
[0049]
采用node2vec算法对加权卡口关系网络进行处理，具体的：
[0050]
记录起始卡口节点u0＝b，随机游走选择下一个卡口节点，游走公式为：
[0051][0052]
其中，z是正则化因子，π
xy
是卡口节点x和y之间的非归一化转移概率即π
xy
是卡口节点x和y之间边(x,y)关系相似度权重π
xy
＝w
xy
。
[0053]
由于车辆行驶方向的不唯一性，同时为了考虑道路网络结构并指导车辆探索卡口邻域，根据路网关系特征相似度定义二阶游走策略，引入回退参数p和前进参数q来平衡搜索过程中的广度优先搜索和深度优先搜索；二阶游走策略表示为：
[0054]
π
xy
＝α
pq
(k,x)
·wxy
[0055][0056]
其中，k表示游走的上一个卡口节点，y表示当前所在卡口节点，α
pq
(k,x)表示搜索偏差，根据搜索偏差决定从y到下一个的卡口节点x，w
xy
表示节点x到节点y的路网关系特征相似度。d
kx
表示卡口k和x之间的最短路径距离，其可取范围必须是{0,1,2}之一。
[0057]
根据二阶游走策略计算节点转移概率；根据节点转移概率在加权卡口关系网络中进行游走并生成线性卡口序列。
[0058]
根据线性卡口序列，将卡口节点嵌入到二维空间；具体的：根据生成的线性卡口序列，通过词嵌入方法skip-gram挖掘卡口上下游的特征表示，将卡口节点映射到高聚集相关节点的高维空间，得到卡口节点向量；在保持卡口节点之间的相对关系的基础上，利用t-sne非线性降维方法将卡口节点向量映射到二维空间。
[0059]
s33：根据卡口节点在二维空间的分布对二维空间进行切分，得到网格像素空间；在网格像素空间中对卡口节点进行分离，得到路网像素矩阵。
[0060]
卡口节点在二维空间中连续分布，在尽可能保持卡口节点相对位置关系的同时，将二维分布的卡口节点转换为路网像素矩阵。具体的：
[0061]
切分：以指定间隔对二维空间进行横纵向切分，形成包含所有卡口的网格像素空间，其过程如下：
[0062]
根据卡口节点在二维空间中的分布情况，利用栅格法划分卡口节点。从中心卡口节点开始，沿着网格的x轴和y轴的正负方向延伸，对二维空间进行切分，直到所有卡口节点都包含在切分范围内，切分形成包含所有卡口节点的网格像素空间。
[0063]
分离：每个网格单元包含零个或多个卡口节点。对于具有多个卡口节点的像素单元，保留其中一个节点，其它节点分离到周围像素单元中。其过程如下：
[0064]
经过切分后，每个像素单元的卡口节点最多应包含一个卡口节点，需要将像素单元中多余的卡口节点进行分离。分离需符合以下三个规则：首先，以最中心的卡口节点为基础分离点(最靠近圆心)。分离时，卡口节点之间尽可能保持原始的相对位置。其次，分离方向可以分为八个区域：上、右上、右、右下、下、左下、左、左上。最后，优先向没有卡口节点的像素单元分离，若分离方向的相对位置已被占用，则分配到外一层区域的其它位置。若分离卡口节点相对位置的外一层区域被占满，则向外再分离一层，直至找到可分离的位置。通过上述分离上式，保持卡口节点之间的相对原始位置；分离完成后，得到路网像素矩阵p。
[0065]
s34：将卡口节点的流量数据填充到路网像素矩阵中，得到卡口流量图像。
[0066]
像素矩阵中卡口之间的距离表示卡口之间的关系强弱，将卡口节点t时刻的流量数据填充到像素矩阵，没有数据的像素点用0填充，得到卡口流量图像i
t
。以5分钟为时间步间隔挖掘卡口流量图像，最终组成卡口流量图像集i＝{i1,i2,
…
,i
t
}。
[0067]
s4：将卡口流量图像输入到训练好的基于stagan的缺失数据生成模型中，得到数据插补好的完整卡口流量图像。
[0068]
针对传统缺失数据插补过程中未能很好地考虑交通数据时空相关性以及为了改善经典gan存在梯度消失、模式崩塌等问题，如图3所示，本发明搭建了一种基于stagan的缺失数据生成模型，该模型包含包括训练好的sta生成器和判别器。
[0069]
s41：采用sta生成器对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像；其中，sta生成器包括vae组块和时空特征关注组件sta-gg cn。
[0070]
sta生成器可找出真实样本的分布，学习其分布生成样本数据，其内部是由vae组块和时空特征关注组件组成；vae组块包含一个编码器和一个解码器。编码器将卡口流量图像作为输入样本x映射到低维空间并输出隐变量z。解码器负责接收隐变量z和输出卡口流量图像输入样本的目标变量编码器的编码阶段和解码器解码阶段分别可表示为：
[0071][0072][0073]
其中，和θ分别是编码器和解码器的目标参数，表示编码器对x进行编码，是真实后验分布p
θ
(x|z)的近似值，p
θ
(x|z)表示解码器对x进行解码；vae模型的核心思想是寻找后验分布并根据该分布使用变分推理优化目标函数，其训练过程中的损失函数是对数似然的变分下界，可表示为：
[0074]
l
vae
＝l
prior
+l
rec
[0075]
[0076]
其中，l
prior
是vae的先验正则化，l
rec
是vae编码器重构误差的负值，d
kl
是输出分布与先验分布p
θ
(z)之间的kl散度，logp
θ
(x|z)表示vae解码器的似然概率，p
θ
(z)表示z的先验分布。
[0077]
为增强生成卡口流量图像缺失像素的质量，本发明中的先验分布是一个正态分布，其协方差是单位矩阵；为了解决隐变量z从正态分布n(μ,σ)中采样时造成网络模型梯度下降算法有效性降低的问题，采用一种估计器重新进行参数化来代替采样过程。这种方法可保证从标准正态分布n(0,1)中采样变量ε的前提下，通过生成的z与编码器输出保持线性相关，使z服从标准正态分布，即z～n(0,1)，最终生成相似样本数据
[0078]
如图4所示，为了弥补数据插补的挖掘时空特征不全面的问题，构造时空特征关注组件sta-ggcn去挖掘卡口之间的全局时空特征，更精确的进行数据插补；该组件包括空间关系感知注意块和时间长序列注意块。
[0079]
采用空间关系感知注意块根据卡口流量图像得到卡口节点特征向量，表示为i＝1,2,
…
,n；对卡口节点特征向量进行处理，得到卡口节点关系向量，具体的：为了更好地挖掘卡口之间的关系，用r
i,j
表示从卡口i到j的成对关系：
[0080]ri,j
＝fs(bi,bj)＝θs(bi)
t
φs(bj)
[0081]
其中，θs和φs是两个嵌入函数，其由1
×
1的空间卷积层实现，之后经过批量归一化(bn)和relu激活。
[0082]
遍历路网中所有的卡口节点后，根据卡口之间的成对关系得到一个亲和矩阵来表示所有节点之间的成对关系。将第i个卡口节点与所有节点的成对关系按照一个固定顺序堆叠在一起得到卡口节点关系向量：
[0083]ri
＝[rs(j,:),rs(:,j)]∈r
2n
[0084]
其中，rs(i,:)表示当前节点i第j列的亲和矩阵，rs(:,i)表示当前节点i第j行的亲和矩阵。
[0085]
在学习第i个卡口节点的注意力时，除了考虑关系向量ri以外，还要考虑卡口节点本身的特征bi。由于两者不在同一特征域中，将卡口节点特征向量和卡口节点关系向量分别嵌入后拼接得到空间关系感知特征，表示为：
[0086][0087]
其中，ψs和分别表示特征本身和全局关系的嵌入函数，其由1
×
1空间卷积层实现然后再归一化和relu激活。poolc表示全局平均池化操作，进一步将维度降为1，得到特征最后将通过sigmoid激活函数以学习空间注意力，从全局挖掘卡口节点之间的空间关系结构信息，得到空间注意力值。
[0088]
由于交通路网受车流动态变化影响，在不同时间段内卡口的交通流量有所不同；因此，采用时间长序列注意块对卡口流量图像进行处理，得到不同时间段上卡口的关注度；具体的：将卡口流量图像集以时间步拆分开，时间长序列注意块同时关注多个时间段子卡口流量图像的信息，表示为：
[0089]
multihead(q,k,v)＝concat(head1,
…
,headh)wo[0090]
headi＝attention(qw
iq
,kw
ik
,vwiv)
[0091]
其中，multihead(q,k,v)表示多头注意块(时间长序列注意块)；q表示查询向量，k表示键向量，v表示值向量，q、k和v与映射的输出向量处于同一维度，和分别表示为可学习的第一、第二、第三和第四参数矩阵，dk＝dv＝d
model
/h，h表示投影次数(即注意头数量)，d
model
表示整个多头注意块的维度。
[0092]
根据空间注意力值和不同时间段上卡口的关注度，采用vae组块对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像。
[0093]
s42：根据原始卡口流量图像，采用判别器对完整卡口流量图像进行判别，得到与原始卡口流量图像最相似的完整卡口流量图像。
[0094]
判别器用于判别输入数据的真实性。将上述sta生成器生成的具有时空特征的完整卡口流量图像集分布pg中采样的生成样本xf与原始卡口流量图像集分布pr中采样的真实样本xr均输入判别器，输出生成数据为真的概率。真实样本xr标记为真，生成样本xf标记为假。
[0095]
传统训练过程中，需在最优判别器的条件下，最小化生成器的loss等价于最小化真实分布pr与生成分布pg之间的js散度；而由于pr与pg几乎不可能有不可忽略的重叠，因此无论其相距多远固定js散度都是常数log2，最终导致生成器的梯度消失。为解决这个问题，本发明利用wasserstein距离(em距离)代替js散度，两个分布pr与pg之间的em距离w(pr,pg)定义为：
[0096][0097]
其中，||d||
l
≤k表示存在一个常数k≥0使得判别器网络函数d(x)满足
[0098]
|d(x1)-d(x2)|≤k|x
1-x2|，即k-lipschitz连续，sup{
·
}表示表示集合的上界。表示生成器的损失函数。原始判别器包括全连接层和sigmoid激活函数，本发明通过构造一个最后一层不是非线性激活层的判别器网络d，使得判别器的损失函数尽可能最大，将判别器的损失函数定义为：
[0099][0100]
当k＝1时(即在1-lipschitz连续下)，此时判别器近似拟合生成分布pg与真实分布pr的wasserstein距离，因此要把判别器最后一层去掉sigmoid激活函数，可提高传统生成对抗网络训练时的稳定性。
[0101]
基于stagan的缺失数据生成模型训练时的总损失函数为：
[0102][0103]
其中，表示sta生成器生成的潜在变量z的损失函数，ω表示判别器的参数。
[0104]
采用训练好的基于stagan的缺失数据生成模型对卡口流量图像进行处理，可得到
数据插补好的完整卡口流量图像，从而获得数据插补好的数据缺失交通卡口的车流基本数据。
[0105]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、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：
1.一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，包括：s1：获取交通卡口的车流基本数据；s2：根据车流基本数据构建交通路网并得到交通路网的邻接矩阵；根据车流基本数据得到路网关系特征相似度矩阵；s3：根据路网关系特征相似度矩阵和邻接矩阵通过roadnet2pix算法对卡口节点进行像素化处理，得到卡口流量图像；s4：将卡口流量图像输入到训练好的基于stagan的缺失数据生成模型中，得到数据插补好的完整卡口流量图像。2.根据权利要求1所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，所述车流基本数据包括卡口的当前车流数据和历史前后车流数据；车流数据包括车辆通过卡口的时间，车辆行进方向、车辆流量和车辆行驶平均速度。3.根据权利要求1所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，对卡口节点进行像素化处理的过程包括：s31：根据邻接矩阵和路网关系特征相似度矩阵，以卡口为节点，路网关系特征相似度为边权构建加权卡口关系网络；s32：采用node2vec算法对加权卡口关系网络进行处理，生成线性卡口序列；根据线性卡口序列，将卡口节点嵌入到二维空间；s33：根据卡口节点在二维空间的分布对二维空间进行切分，得到网格像素空间；在网格像素空间中对卡口节点进行分离，得到路网像素矩阵；s34：将卡口节点的流量数据填充到路网像素矩阵中，得到卡口流量图像。4.根据权利要求3所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，采用node2vec算法对加权卡口关系网络进行处理的过程包括：根据路网关系特征相似度定义二阶游走策略；根据二阶游走策略计算节点转移概率；根据节点转移概率在加权卡口关系网络中进行游走并生成线性卡口序列。5.根据权利要求4所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，二阶游走策略表示为：π
xy
＝α
pq
(k,x)
·
w
xy
其中，α
pq
(k,x)表示搜索偏差，w
xy
表示节点x到节点y的路网关系特征相似度，n代表卡口总数量。6.根据权利要求1所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，得到数据插补好的完整卡口流量图像的过程包括：基于stagan的缺失数据生成模型包括训练好的sta生成器和判别器；s41：采用sta生成器对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像；其中，sta生成器包括vae组块和时空特征关注组件；s42：根据原始卡口流量图像，采用判别器对完整卡口流量图像进行判别，得到与原始卡口流量图像最相似的完整卡口流量图像。7.根据权利要求6所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，sta生成器对卡口流量图像进行处理的过程包括：采用时空特征关注组件对卡口流量图像进行处理，得到空间注意力值和不同时间段上卡口的关注度；根据空间注意力值
和不同时间段上卡口的关注度，采用vae组块对卡口流量图像进行处理，得到具有时空特征的完整卡口流量图像。8.根据权利要求7所述的一种基于时空路网像素化表示的交通流量数据插补方法，其特征在于，时空特征关注组件对卡口流量图像进行处理的过程包括：时空特征关注组件包括空间关系感知注意块和时间长序列注意块；采用空间关系感知注意块根据卡口流量图像得到卡口节点特征向量，对卡口节点特征向量进行处理，得到卡口节点关系向量；拼接卡口节点特征向量和卡口节点关系向量，得到空间关系感知特征，根据关系感知特征得到空间注意力值；采用时间长序列注意块对卡口流量图像进行处理，得到不同时间段上卡口的关注度。

技术总结
本发明属于异常数据处理领域，具体涉一种基于时空路网像素化表示的交通流量数据插补方法；该方法包括：获取交通卡口的车流基本数据；根据车流基本数据构建交通路网并得到交通路网的邻接矩阵；根据车流基本数据得到路网关系特征相似度矩阵；根据路网关系特征相似度矩阵和邻接矩阵通过RoadNet2pix算法对卡口节点进行像素化处理，得到卡口流量图像；将卡口流量图像输入到训练好的基于STAGAN的缺失数据生成模型中，得到数据插补好的完整卡口流量图像；本发明可实现对数据缺失交通卡口的数据插补，准确性高，具有良好的应用前景。具有良好的应用前景。具有良好的应用前景。


技术研发人员：贾朝龙 陈震英 王蓉 李暾 庞育才 段思睿 肖云鹏
受保护的技术使用者：重庆邮电大学
技术研发日：2023.02.03
技术公布日：2023/6/4