一种基于贝叶斯张量分解的智能路侧多源数据融合方法技术

本发明专利技术涉及一种基于贝叶斯张量分解的智能路侧多源数据融合方法，包括以下步骤：(1)数据预处理，利用视频和雷达检测器每隔一定时间采集交通流信息，并分车道打上时间标签，针对缺失和异常数据进行有效识别和处理，得到原始数据集；(2)数据融合，通过构建速度张量，利用贝叶斯思想求解相关参数，得到融合后的速度张量。该方法基于智能路侧异构数据，同时利用贝叶斯统计思想，引入张量分解理论，充分考虑高阶张量挖掘数据特征的特性，实现了不同数据源间数据的有效融合，从而提高数据的精度和质量。量。量。

【技术实现步骤摘要】
一种基于贝叶斯张量分解的智能路侧多源数据融合方法


[0001]本专利技术属于智能交通领域，涉及一种智能交通场景下的智能路侧多源数据融合方法。

技术介绍

[0002]随着智能交通的迅速发展，智能路侧交通流检测设备应用日益广泛，视频检测器，雷达，激光传感器等大量的被应用到路侧交通流检测中。在此智能路侧多种传感器共存的背景下，如何综合有效利用多源数据从而得到更准确的道路信息，对于全面和精确的掌握道路交通运行状态至关重要。为此，迫切需要一种能够实现智能路侧下多源异构数据融合的有效方法。
[0003]当前数据融合可以分为基于阶段的数据融合，基于特征的数据融合和基于语义的数据融合三种方法。传统的数据融合研究更多的是考虑其中一种单一的融合方法，这种数据融合方式仅仅考虑一个层面的数据信息并没有从多维度挖掘数据的特征，很难达到理想的融合效果。为此，本专利技术提出一种新型的智能路侧多源数据融合方法，实现基于阶段和基于特征两个层面的数据融合。

技术实现思路

[0004]为充分利用智能路侧异构数据，解决不同采集设备数据质量差异问题，提供一种基于贝叶斯张量分解的智能路侧多源数据融合方法。该方法基于智能路侧异构数据，同时利用贝叶斯统计思想，引入张量分解理论，充分考虑高阶张量挖掘数据特征的特性，实现了不同数据源间数据的有效融合，从而提高数据的精度和质量。
[0005]本专利技术主要聚焦于在张量空间内进行阶段和特征融合，将不同维度的特征矩阵进行融合最终实现多源异构速度数据的融合。为实现上述目的，本专利技术以交通流三要素中的速度为例，设计数据预处理模块以及数据融合模块，提供如下技术方案：
[0006]一种基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，包括以下步骤：
[0007](1)数据预处理，采集道路上车辆的速度信息，针对缺失和异常数据进行有效识别和处理；
[0008](2)数据融合，通过构建速度张量，利用贝叶斯思想求解相关参数，得到融合后的速度张量。
[0009]进一步的，所述步骤(1)中，利用视频和雷达检测器实时的采集道路上车辆的速度信息。
[0010]进一步的，所述步骤(1)中，采用阈值筛选的方式对异常数据予以剔除，若当前速度超过该路段限速v
max
的150％，即v
′
≥f1·
v
max
，其中f1为速度修正系数，f1＝1.5，则认为是异常数据，赋值为0，并记为w1；若某采集周期内，未记录相应的数据，则判定为数据丢失，赋值为0，记为w1；若正常记录数据，则记为w2；
[0011]进一步的，所述步骤(2)中，构建三阶速度融合张量，张量X的维度为3，n1代表传感器类型，n2代表车道，n3代表时间窗；定义与张量相同大小的张量Y，满足：
[0012]进一步的，所述步骤(2)中，利用CP分解对张量X进行求解，设定目标函数为：假设张量元素服从高斯分布：假定因子矩阵中所有的行向量的先验新建分布同为高斯分布，满足将超参数μ
(k)
∈R
r
和Λ
(k)
∈R
r
×
r
设置为共轭先验，新建分布设为Gaussian
‑
Wishart，同时假设精度项τ的先验分布服从伽马分布；为得到各维度的联合分布条件概率，对因子矩阵U
(k)
、超参数μ
(k)
、Λ
(k)
(k＝1，2，3)、精度项τ进行Gibbs采样，并设置最大迭代次数；
[0013]交替迭代，当迭代次数达到最大迭代次数时，迭代终止，输出张量最后在张量的第一个维度取平均值得到融合后的速度数据。
[0014]本专利技术的有益效果：
[0015]1.实现了基于阶段和基于特征两个层面的数据融合，充分考虑了数据的有效信息，实现多源数据间的深度交互，提高了融合精度和融合效果；
[0016]2.将张量分解和贝叶斯理论应用于智能路侧数据融合领域，为数据融合的研究提供了全新的思想；
[0017]3.基于贝叶斯张量分解的数据融合算法可根据实时路侧信息做到实时的数据融合，具有适应性强，同步性高，结果可靠等优势，从而有力支持边缘计算。
附图说明
[0018]图1是构造三维张量图；
[0019]图2是张量CP分解过程示意图；
[0020]图3是贝叶斯网络。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。
[0022]一种基于贝叶斯张量分解的智能路侧多源数据融合方法，包括以下步骤：
[0023](1)采集道路上车辆的速度信息，利用数据预处理模块，对异常数据予以剔除，对缺失数据利用零值替代；
[0024](2)数据融合模块通过构建高阶张量和基于贝叶斯统计思想，实现对多源数据的融合；
[0025]优选地，步骤(1)中，为扩大研究的适用性，本专利技术考虑将最广泛使用的视频和雷达检测器进行融合。由于这两种传感器长期暴露在外界环境中，设备故障以及极端天气环境等因素将不可避免的出现采集数据缺失或是异常现象。为此，在进行数据融合之前，需要
进行预处理。
[0026]优选地，步骤(1)中，考虑采用阈值筛选的方式对异常数据予以剔除，若当前速度超过该路段限速v
max
的150％，即v
′
≥f1·
v
max
，其中f1为速度修正系数，f1＝1.5，则认为是异常数据，具体处理方式为：
[0027]若某采集周期内，未记录相应的数据，则判定为数据丢失，赋值为0，记为w1；若出现异常数据，赋值为0，并记为w1；若正常记录数据，则记为w2；原始交通数据w＝w1+w2。
[0028][0029]优选地，步骤(2)中，构建的速度数据融合张量为如图1所示，张量X的维度为3，n1代表传感器类型，n2代表车道，n3代表时间窗；
[0030]进一步的，步骤(2)中，利用CP分解对张量X进行求解，如图2所示；
[0031]进一步的，低秩假设实现预测值逼近真实值X，即目标函数为：
[0032][0033]其中为：
[0034][0035]表示第k个分解因子矩阵的第j列向量值；
[0036]假设张量元素服从高斯分布：
[0037][0038]其中，N(
·
)为高斯分布；τ为精度项，表示高斯分布的方差的倒数；
[0039]假定因子矩阵中所有的行向量的先验新建分布同为高斯分布，即满足：
[0040][0041]将超参数μ
(k)
∈R
r
和Λ
(k)
∈R
r
×
r
设置为共轭先验，新建分布设为Gaussian
‑
Wishart：
[0042](μ
(k)
，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，包括以下步骤：(1)数据预处理，采集道路上车辆的速度信息，针对缺失和异常数据进行有效识别和处理；(2)数据融合，通过构建速度张量，利用贝叶斯思想求解相关参数，得到融合后的速度张量。2.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(1)中，利用视频和雷达检测器实时的采集道路上车辆的速度信息。3.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(1)中，采用阈值筛选的方式对异常数据予以剔除，若当前速度超过该路段限速v
max
的150％，即v
′
≥f1·
v
max
，其中f1为速度修正系数，f1＝1.5，则认为是异常数据，赋值为0，并记为w1；若某采集周期内，未记录相应的数据，则判定为数据丢失，赋值为0，记为w1；若正常记录数据，则记为w2。4.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(2)中，构建三阶速度融合张量，...

【专利技术属性】
技术研发人员：任毅龙，兰征兴，于海洋，赵亚楠，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：