一种融合MFD与深度学习的交通网络数据补全方法

本发明公开了一种融合MFD与深度学习的交通网络数据补全方法，通过选择最优MFD函数形式，描述交通网络运行变量的交通流特征关系；结合时空深度学习模型，设构建空间图卷积神经网络层和时序GRU神经网络层，以精确建模交通网络中各节点之间及不同时段之间的相关性，捕捉交通网络的时空演化特征；构建损失函数，实现深度学习模块与MFD结构模块的数据融合。本发明能够可适应多种类型的数据缺失模式和不同缺失率，具备对交通网络中数据缺失的高精度恢复能力，更好地适应真实交通网络数据集缺失值的随机性和动态变化，提升模型的鲁棒性和泛化能力。本发明不仅提高了交通数据补全的准确性，而且在较高的数据缺失率下具有更优的补全效果。