[发明专利]一种基于张量重建的交通数据丢失恢复方法

说明书

技术领域

本发明属于智能交通领域，具体涉及交通数据丢失恢复方法。

背景技术

交通数据丢失恢复是智能交通系统中一个很有意义的问题，对交通丢失数据进行恢复可以改善智能交通系统的功能，例如交通信息发布系统，交通管理系统等，都需要完整准确的交通数据，但是在实际交通中，由于设备故障、传输失误等原因常常导致交通数据不完整，根据有关研究报告丢失率为16％-93％，导致部分智能交通子系统无法正常工作，因此需要针对不完整交通数据估计其丢失值。

目前，对交通数据丢失的恢复方法主要分为两类：基于向量形式的恢复方法，将交通数据组建为向量形式，采用插值方法或者回归方法来恢复丢失值；基于矩阵形式的恢复方法，将交通数据组建为矩阵形式，采用矩阵重建理论来恢复丢失值。但是，这两类恢复方法都有其限制条件和不足，前者必须在丢失率极低时方可采用，而且只能依靠单一模式上丢失点的附近点信息进行恢复，恢复精度较低；后者利用两个模式上的交通信息和数据相关性，能在一定程度上提高恢复精度，但当丢失率较高时，该方法无能为力。此外，以上两类方法都没能完全利用交通数据的多维相关特性，严重制约了恢复精度的提高。且当面临丢失一天甚至几天交通数据时，上述两类方法均不能处理。

基于张量重建的丢失数据恢复研究交通数据多维相关特性，并建立相关性准则，判断各模式权重，进而充分利用多模式相关性和交通时空信息，以便获得丢失点的最优估计值，从而完善交通数据。相比之下，这种方法保持了交通数据的原始结构，得到的结果更加准确，面临丢失一天甚至多天数据时依然能够取得较为理想的效果。一些学者利用基于主成分分析(PCA)的概率模型，对交通矩阵数据进行丢失值估计，其中由屈力等最近采用的一种基于贝叶斯主成分分析(BPCA)的矩阵交通数据丢失恢复方法最为引人关注。对于这种方法的介绍，可以参考论文《A BPCA Based Missing Value Imputing Method for Traffic Flow Volume Data(一种基于贝叶斯主成分分析的交通流数据丢失恢复方法)》(作者：屈力等，载于2008 IEEE Intelligent Vehicles Symposium，2008年6月)和论文《PPCA-Based Missing Data Imputation for Traffic Flow Vblume：A Systematical Approach(一种基于概率主成分分析的交通流数据丢失恢复方法)》(作者：屈力等，载于IEEE Transaction on Intelligent Transportation Systems(ITS)，2009年9月)。这种方法的核心就在于通过PCA获取矩阵交通数据的主成分和全局结构，但此方法只能在丢失率低于50％时能才获得一定的效果，所以难以满足对一天或多天交通数据丢失极端情况的恢复要求。

在此背景下，研究一种既能提高恢复精度，又能自适应地处理各种丢失情况的恢复方法显得尤为重要。

发明内容

针对现有交通数据丢失恢复方法的局限性，本发明所要解决的技术问题是提供一种基于张量重建的交通数据丢失恢复方法，不仅能够提高丢失值的恢复精度，而且能够处理随机丢失高达90％和丢失一天或者多天等特殊的情况。

本发明为解决上述技术问题所采用的技术方案是：

一种基于张量重建的交通数据丢失恢复方法，该方法包括以下步骤：

A.根据交通数据的多重分布规律，将交通数据组建为多维张量数据形式，并且用标记表示交通数据的丢失点；

B.通过计算各模式数据的相关性，将各模式相关性系数归一化，获得各模式权重；

C.建立张量形式的交通数据丢失恢复目标函数，采用张量重建理论转换目标函数，结合丢失点标记和各模式权重，构建基于张量重建理论的交通数据恢复模型，该模型对随机丢失和特殊丢失均能取得较好的恢复效果。

求取完整交通数据的表达式为：