[发明专利]一种交通数据补全方法、系统、设备及介质

说明书

本公开公开了一种交通数据补全方法、系统、设备及介质，设定时间间隔Δt，将待补全的交通数据构建成关于路段‑时间间隔‑天的三维交通数据张量，三维交通数据张量中每个元素表示某天某时间间隔某个路段的车辆拥堵程度；所述三维交通数据张量包括若干个缺失值；对三维交通数据张量进行联合矩阵分解，从三维交通数据张量中提取出路段‑时间间隔矩阵和天‑时间间隔矩阵；对路段‑时间间隔矩阵和天‑时间间隔矩阵分别进行分解操作；对联合矩阵分解中的结果进行整合，得到完整的交通拥堵程度张量从而，实现对交通数据的补全。

技术领域

本公开涉及交通数据处理领域，特别是涉及一种交通数据补全方法、系统、设备及介质。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

交通拥堵与人们的日常生活和城市的发展有着密不可分的关系。在路段网络中，通常使用嵌入传感器来收集实时交通状况。大量的交通数据使得交通领域的研究成为可能。例如，根据预测的交通状况，管理者可以优化交通信号时间，人们可以动态调整自己的驾驶路线。然而，由于传感器故障、传输错误或其他原因，交通数据的缺失是非常普遍的，而且是不可避免的。从不完整的交通数据中，提取准确、充分的交通信息是极其困难的，这成为现有研究的一个显著障碍。

现有技术中有三种数据补全方法：平均历史数据方法、相似路段交通模式挖掘方法和深度神经网络方法。

(1)平均历史数据方法仅仅利用单一的时间或者空间关系。例如，使用相邻的几个时间间隔的交通数据的均值作为当前时间间隔的交通状况。这类方法仅仅使用了交通数据的局部信息，忽略了周期性和路段相似性特征。因此，它们只可以处理相对简单的缺失情况，并且取得的效果也是有限的。

(2)相似路段交通模式挖掘方法利用不同探测器的记录之间的相似模式补全目标探测器的交通数据记录。它们提升了交通数据补全的效果，但是，当数据集相对较大时，分析和为每一条不完整的交通记录建模的代价是很高的。此外，如果记录的相似模式是受限的，模型将不会取得较好的结果。例如，交通极度拥堵的时段非常罕见。

(3)因为基于神经网络的方法可以取得较好的表现效果，所以它们被广泛认可和应用。其中，有一些方法需要完整数据训练网络。然而，在现实中，获取完整交通数据是不现实的。也有人提出了新的方法解决了这个问题。但是，对于神经网络模型来说，大量的数据训练模型是必不可少的。

发明内容

为了解决现有技术的不足，本公开提供了一种交通数据补全方法、系统、设备及介质；

第一方面，本公开提供了一种交通数据补全方法；

一种交通数据补全方法，包括：

S1：设定时间间隔Δt，将待补全的交通数据构建成关于路段-时间间隔-天的三维交通数据张量，三维交通数据张量中每个元素表示某天某时间间隔某个路段的车辆拥堵程度；所述三维交通数据张量包括若干个缺失值；

S2：对三维交通数据张量进行联合矩阵分解，从三维交通数据张量中提取出路段-时间间隔矩阵和天-时间间隔矩阵；对路段-时间间隔矩阵和天-时间间隔矩阵分别进行分解操作；

S3：对联合矩阵分解中的结果进行整合，得到完整的交通拥堵程度张量从而，实现对交通数据的补全。

第二方面，本公开还提供了一种交通数据补全系统；

一种交通数据补全系统，包括：

三维交通数据张量构建模块，其被配置为：设定时间间隔Δt，将待补全的交通数据构建成关于路段-时间间隔-天的三维交通数据张量，三维交通数据张量中每个元素表示某天某时间间隔某个路段的车辆拥堵程度；所述三维交通数据张量包括若干个缺失值；