一种基于数据缺失的细粒度城市流数据推断方法

技术领域

本发明给出一种基于数据缺失的细粒度城市流数据推断方法，涉及卷积神经网络领域，主要用于城市细粒度流的推断，对于许多与智能城市相关的应用至关重要，如城市规划和交通管理。

背景技术

精细的城市交通流如出租车流、自行车流和人的轨迹，描述了城市的人员流动模式，对于许多与智能城市相关的应用至关重要，如城市规划和交通管理。为了获得细粒度的城市流量观测值，需要在城市的不同区域部署大量的传感器，这将导致日常运营和维护方面的巨额支出。例如，为了感知整个城市的交通状况，需要在交通网络的交叉路口部署大量的摄像机。然而，在现实中，由于成本高，用于收集城市流量的部署传感器的数量通常非常有限。因此，如何基于传感器的稀疏和粗粒度观测有效地推断城市细粒度流成为一个重要的研究课题，近年来引起了越来越多的研究关注。

传统上，统计方法被广泛用于细粒度的城市流量推断，如双线性，双三次和最近插值方法。然而，这些方法的性能较差，因为它们只考虑城市流量数据，而忽略了外部特征，如天气和假日。最近，在计算机视觉中超分辨率算法的巨大成功的激励下，人们试图将细粒度的城市流推断视为时空数据超分辨率问题，因为城市区域的城市流可以被认为是空间地图图像。SRCNN首次将双三次插值方法与卷积神经网络相结合进行图像超分辨率。为了解决SRCNN中感受野小和收敛慢的问题，Kim等人通过采用深度卷积网络和残差学习策略提出了VDSR。UrbanFM首次将数据超分辨率方法用于城市流推断。与图像超分辨率不同，UrbanFM包含一个提取外部特征如天气、温度和节假日的外部因子融合网络和一个推理网络。为了进一步提高UrbanFM在大采样因子下的性能，UrbanPy采用了由多个组件组成的金字塔架构，其中每个组件充当小规模(例如2倍)的原子上采样器，将原始任务分解为多个子任务。梁等人设计了一个用于全市人群流动分析的通用框架DeepLGR。DeepLGR包含一个局部特征提取模块、一个全局上下文模块和一个特定区域预测器。然而，上述方法的主要局限性在于：它们都假设传感器均匀分布，收集的粗粒度城市流是完整的，这在实际应用场景中可能不成立。

综上，现有的细粒度城市流数据推断方法没有同时从这三个方面进行考虑：城市流量观测值的稀疏和不完整性、细粒度和粗粒度城市流量数据之间的复杂关联和联合进行城市流量数据完成和超分辨率，在细粒度城市流数据推断过程中往往容易得到次优的结果。因此，现有的细粒度城市流数据推断方法仍然具有一定的改进空间。

发明内容

发明目的：本发明的目的是针对现有技术的不足之处，提出一种基于数据缺失的细粒度城市流数据推断方法，利用城市流数据补全和城市流数据超分来获得数据中蕴含的丰富关系和特征信息，用于解决在背景技术方面提出的几个缺陷问题，并利用该模块构建一个端到端的图表示学习模型。采用本发明公开的方法，可以有效补全城市流数据以及提高细粒度数据流推断结果。

技术方案：一种基于数据缺失的细粒度城市流数据推断方法，具体步骤如下：

步骤一：城市流数据补全

城市流数据补全包含两个模块，基于局部空间信息的数据补全模块和基于辅助信息的数据补全模块。基于局部空间信息的数据补全模块设计了局部融合网络，使用卷积核K，将城市流不完整数据X

其中

其中r

步骤二：城市流数据超分

超分过程包括一个特征提取元模块和堆叠的超分辨率块，以捕捉粗粒度和细粒度城市流之间的关联。首先，将外部特征输入提取器模块，旨在捕捉城市流的语义约束。输入数据和提取的外部特征的融合被输入到堆叠的超分辨率块。在每个超分辨率块中，提取网络和上采样模块分别用于提取特征和上采样粗粒度城市流。在每个超分辨率块内部设计了阶梯结构，以捕捉粗粒度和细粒度城市流之间的局部和全局空间结构约束。最后，设计了一个分布式上采样模块，以保证粗粒度区域中的城市流量等于细粒度情况下组成区域的流量之和。城市流数据超分公式如下：

其中sr(·)是超分辨率块，

步骤三：多任务

将城市流补全和城市流数据超分合并，进行反向传播，得到最终的网络参数和完整的细粒度城市流。至此，完成一次完整的基于数据缺失的细粒度城市流数据推断。

有益效果：本发明针对现在细粒度城市流预测方法在进行操作时未能同时考虑城市流量观测值的稀疏和不完整性、细粒度和粗粒度城市流量数据之间的复杂关联和联合进行城市流量数据完成和超分辨率，提出了一种基于数据缺失的细粒度城市流数据推断方法。本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1)本发明考虑到城市流量观测值的稀疏和不完整性，将城市流数据补全过程分为局部和全局数据补全，强化了补全数据的可靠性，并实现了在补全过程中原始数据特征信息的保留；

2)将超分过程分割为多个小的超分块，可以实现任意尺度的细粒度数据推断；

3)所提多任务方法优化了推断结果，具有可拓展性；

附图说明

图1是基于本发明的方法构建的细粒度城市流数据推断模型整体框架图；

图2是基于本发明的方法构建的多任务方法；

具体实施方式

为了使本领域技术人员更好地理解本发明中的技术问题、技术方案和技术效果，下面结合附图和文档对本发明作进一步详细说明。

基于本发明提出的细粒度城市流数据推断方法的总体框架如图1所示，它包含一个数据补全网络和一个数据超分辨率网络。缺失数据X

基于数据缺失的细粒度城市流数据推断方法，其具体执行过程如下：

步骤一：城市流数据补全

城市流数据补全包含两个模块，基于局部空间信息的数据补全模块和基于辅助信息的数据补全模块。补全操作前，获取缺失数据的位置，过程如下：

基于局部空间信息的数据补全模块设计了局部融合网络，使用卷积核K，将城市流不完整数据X

其中

H

W

W

其中L表示层数，t表示时间，W

基于辅助信息的数据补全模块利用城市功能辅助信息设计了补全模块。对城市功能信息进行分析后发现，城市功能信息与城市流数据高度相关，因此我们将功能相似的区域进行互相补全，补全过程如下：

其中r

步骤二：城市流数据超分

超分过程包括一个特征提取元模块和堆叠的超分辨率块，以捕捉粗粒度和细粒度城市流之间的关联。首先，将外部特征输入提取器模块，旨在捕捉城市流的语义约束。输入数据和提取的外部特征的融合被输入到堆叠的超分辨率块。在每个超分辨率块中，提取网络和上采样模块分别用于提取特征和上采样粗粒度城市流。在每个超分辨率块内部设计了阶梯结构，以捕捉粗粒度和细粒度城市流之间的局部和全局空间结构约束。最后，设计了一个分布式上采样模块，以保证粗粒度区域中的城市流量等于细粒度情况下组成区域的流量之和。城市流数据超分公式如下：

其中sr(·)是超分辨率块，

其中

步骤三：多任务

将城市流补全和城市流数据超分合并，进行反向传播，得到最终的网络参数和完整的细粒度城市流。至此，完成一次完整的基于数据缺失的细粒度城市流数据推断：

其中λ

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。