一种基于张量分解的数据缺失下交通流量预测方法及系统与流程

本发明属于智能交通，尤其涉及一种基于张量分解的数据缺失下交通流量预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、大规模部署的etc系统记录了高速公路上绝大多数的车辆运行状态，为研究高速公路交通运行状态，进行交通流量预测提供了坚实的数据基础。但是，由于设备故障，数据传输中断，对向车辆误记等问题，真实的交通流数据通常存在缺失和异常现象。如果在交通流预测过程中缺少一部分数据，预测模型的性能将大幅下降。因此，如何在数据缺失条件下准确高效地进行交通流量预测，是一个很重要的问题。

3、一般情况，在数据缺失条件下进行交通流预测的方法有三类：删除缺失数据再进行预测、先修复缺失数据再进行预测、直接使用缺失数据进行预测。第一类方法是指先删除包含缺失值的部分数据，然后使用传统的流量预测方法进行预测。这种方法实施方便，但是因为其数据不完整，会明显降低流量预测的准确度。因此，它仅限于数据缺失率较低，对流量预测精度要求不高的情况下使用。第二类方法是指先使用数据修复的方法修复缺失数据，然后使用传统的流量预测方法进行预测。这种方法实施复杂，耗时较高，但是因为其最大程度地保证了数据完整性，所以流量预测的准确度较高。因此，它适用于对预测时间要求不高，但是预测精度要求较高的情况。第三类方法是指构建针对缺失数据的流量预测模型，直接使用缺失数据进行交通流量预测。但现有构建的针对缺失数据的流量预测模型中由于数据缺失使得模型在训练时无法获取完整的信息，导致模型在预测时无法准确反映实际交通流量的变化规律，使得预测精度降低。同时数据的缺失也容易导致流量预测模型在训练过程中出现过拟合或欠拟合现象，使得模型在对新数据进行预测时表现不稳定，预测结果波动较大。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种基于张量分解的数据缺失下交通流量预测方法及系统，将tucker分解与图卷积神经网络结合构建交通流量预测模型，在数据缺失情况下，使得模型可以更准确地预测交通流量。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、第一方面，本发明提供了一种基于张量分解的数据缺失下交通流量预测方法，获取交通路网的空间邻接矩阵和包含缺失值的交通流量输入至预先训练好的张量图卷积网络模型进行预测，包括：

4、根据所述空间邻接矩阵和包含缺失值的交通流量构建时间邻接矩阵；

5、将包含缺失值的交通流量转化为张量并进行张量分解，分解得到特征张量；

6、将所述空间邻接矩阵、时间邻接矩阵和特征张量输入至图卷积层中，输出预测特征；

7、将所述预测特征进行线性转换，输出模型预测结果，得到预测的交通流量。

8、进一步的技术方案，所述包含缺失值的交通流量通过增加特征维度，转化为三阶张量。

9、进一步的技术方案，对所述三阶张量进行塔克分解，分解得到特征张量。

10、进一步的技术方案，所述特征张量为核张量与空间因子矩阵、特征因子矩阵和时间因子矩阵的乘积。

11、进一步的技术方案，所述图卷积层计算张量的时空特征并推导，得到输出预测特征。

12、进一步的技术方案，所述时空特征为张量与空间邻接矩阵、时间邻接矩阵和参数矩阵的乘积。

13、进一步的技术方案，将所述特征张量与时空特征进行模式乘积推导出预测公式，进而得到输出预测特征。

14、第二方面，本发明提供了一种基于张量分解的数据缺失下交通流量预测系统，获取交通路网的空间邻接矩阵和包含缺失值的交通流量输入至预先训练好的张量图卷积网络模型进行预测，模型包括：

15、数据输入模块，其被配置为：根据所述空间邻接矩阵和包含缺失值的交通流量构建时间邻接矩阵；

16、张量分解模块，其被配置为：将包含缺失值的交通流量转化为张量并进行张量分解，分解得到特征张量；

17、卷积预测模块，其被配置为：将所述空间邻接矩阵、时间邻接矩阵和特征张量输入至图卷积层中，输出预测特征；

18、特征转换模块，其被配置为：将所述预测特征进行线性转换，输出模型预测结果，得到预测的交通流量。

19、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的一种基于张量分解的数据缺失下交通流量预测方法中的步骤。

20、第四方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的一种基于张量分解的数据缺失下交通流量预测方法中的步骤。

21、以上一个或多个技术方案存在以下有益效果：

22、本发明将tucker分解和图卷积神经网络相结合构建张量图卷积网络模型，tucker分解可以将原始的高维张量分解为一系列低维的核心张量和因子矩阵，即使某些维度的数据缺失，也可以通过其他维度的信息来近似恢复或预测缺失的数据，在一定程度上缓解数据缺失的问题，可以有效应对数据缺失情况，提高了张量图卷积网络模型预测交通流量的预测精度。

23、本发明将tucker分解和图卷积神经网络结合可以有效降低缺失数据对模型性能的影响，因为tucker分解作为主成分分析的高阶拓展，具有一定的抗噪作用。

24、本发明将多维度的交通流量数据转化为张量，可以充分利用张量在多维数据处理方面的优势，更有效地捕捉和表达交通流量数据的特征。

25、本发明采用图卷积神经网络gcn处理图结构数据，可以有效捕获交通流量在空间上的依赖性。同时，结合时间维度的信息，模型可以进一步捕获交通流量在时间上的动态变化，提高预测精度。

1.一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，

2.如权利要求1所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，所述包含缺失值的交通流量通过增加特征维度，转化为三阶张量。

3.如权利要求2所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，对所述三阶张量进行塔克分解，分解得到特征张量。

4.如权利要求3所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，所述特征张量为核张量与空间因子矩阵、特征因子矩阵和时间因子矩阵的乘积。

5.如权利要求1所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，所述图卷积层计算张量的时空特征并推导，得到输出预测特征。

6.如权利要求5所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，所述时空特征为张量与空间邻接矩阵、时间邻接矩阵和参数矩阵的乘积。

7.如权利要求6所述的一种基于张量分解的数据缺失下交通流量预测方法，其特征在于，将所述特征张量与时空特征进行模式乘积推导出预测公式，进而得到输出预测特征。

8.一种基于张量分解的数据缺失下交通流量预测系统，其特征在于，获取交通路网的空间邻接矩阵和包含缺失值的交通流量输入至预先训练好的张量图卷积网络模型进行预测，模型包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于张量分解的数据缺失下交通流量预测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于张量分解的数据缺失下交通流量预测方法中的步骤。