一种用于交通流量数据补全的神经张量环融合方法技术

本发明专利技术公开了一种用于交通流量数据补全的神经张量环融合方法，属于交通数据补全领域，包括如下步骤：步骤1、获取路网系统中的交通流量数据，将交通流量数据建模为三阶张量；步骤2、参考张量环分解思想构建神经张量环融合模型的目标函数；步骤3、基于神经张量环融合模型进行交通流量数据补全。本发明专利技术采用张量环分解思想构建了神经张量环融合模型，采用三阶因子张量的形式学习数据的潜在特征，在表达与处理高阶数据张量的同时可以更好的保存原始数据的结构与信息；同时，采用卷积长短期记忆网络捕获交通数据在时间上的多维交互，使用包含历史时间特征的多个矩阵共同补全缺失数据。

【技术实现步骤摘要】

本专利技术属于交通数据补全领域，具体涉及一种用于交通流量数据补全的神经张量环融合方法。

技术介绍

1、随着信息采集技术的不断发展，智能交通系统（intelligent transportationsystems，its）在城市各地部署的物联网传感器数量逐渐增多。传感器能够时刻收集交通流量数据，这不仅能为城市居民提供更丰富的路网信息，还可以助力its解决由城市大规模增长而带来的城市污染与交通拥堵等问题。然而，由于天气情况、硬件故障、电源中断等诸多原因，往往会造成交通数据的缺失，研究人员使用这些未经处理的缺失交通数据得出的结论和决策可能存在显著偏差。因此，如何准确补全交通流量数据成为研究者们关注的热点问题。

2、交通数据的补全过程本质上是通过模型捕获已知数据的特征及其时空相关性，利用学习到的数据特征对缺失数据进行填补，因此，能否充分捕获到数据中隐藏的特征及其关系是交通补全模型的关键。作为矩阵分解方法的高阶拓展，研究者尝试将张量分解模型用于解决交通数据补全问题，该类模型能够有效提取数据的线性特征，并将特征储存在小规模的因子矩阵（张量）中，补全精度提高本文档来自技高网...

【技术保护点】

1.一种用于交通流量数据补全的神经张量环融合方法，其特征在于，包括如下步骤：

2.根据权利要求1所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤1中，将交通流量数据建模为三阶张量，其中代表路网系统中的节点个数，表示时间间隔，为数据集的总天数；三阶张量由若干个元素组成，一个元素代表一个交通流量值，定义元素表示第天中第个时段第个节点处的交通流量值。

3.根据权利要求2所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤2中，张量环分解思想是指将一个高阶张量分解成一系列三阶因子张量的线性乘法，这些张量首尾相连，形成了一个环形结构；对于阶的...

【技术特征摘要】

1.一种用于交通流量数据补全的神经张量环融合方法，其特征在于，包括如下步骤：

2.根据权利要求1所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤1中，将交通流量数据建模为三阶张量，其中代表路网系统中的节点个数，表示时间间隔，为数据集的总天数；三阶张量由若干个元素组成，一个元素代表一个交通流量值，定义元素表示第天中第个时段第个节点处的交通流量值。

3.根据权利要求2所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤2中，张量环分解思想是指将一个高阶张量分解成一系列三阶因子张量的线性乘法，这些张量首尾相连，形成了一个环形结构；对于阶的高阶张量，张量环分解能够将阶的高阶张量对应分解成个三阶因子张量；为高阶张量第阶上...

【专利技术属性】
技术研发人员：孙秋霞，田润智，郝华丽，李勍，陈敬雨，燕英，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：