[发明专利]基于协同张量分解的旅行时间判断方法

说明书

本专利公开了一种基于协同张量分解的旅行时间判断方法，所述方法包括：步骤一，构建旅行时间张量；步骤二，构建特征矩阵；步骤三，张量填补。通过协同历史张量以及张量在不同维度下的因子矩阵，为原始张量提供隐性特征进而增加计算精度。将张量填补完整之后便可得到车辆在任意时间段内通过任意路段的旅行时间。

技术领域

本发明涉及智能交通领域，尤其涉及基于张量分解的方法对城市交通的路段旅行时间判断方法。

背景技术

旅行时间是评价智能交通系统中评价交通运行状态的重要参数之一，也是实现交通规划与管理、车辆路径诱导的重要依据。由于检测设备自身故障、环境影响以及检测设备固有缺陷等往往导致车辆旅行时间数据缺失。张量分解作为一种较优的缺失数据填补方法十分适用于缺失旅行时间填补，张量是一种高维数组，而旅行时间具有路段、车辆、时间三个维度，能够充分发挥张量高维特性。现有技术中使用张量分解进行旅行时间估计的专利较少，且无法很好适应数据稀疏条件，故本发明提出一种基于协同张量分解的旅行时间估计方法，使用协同因子从不同维度辅助张量分解过程，从而缓解数据稀疏导致的旅行时间估计精度降低的缺陷。

发明内容

张量分解可以充分挖掘数据的多维特征进行数据填补，但数据量较小时会导致张量过于稀疏，从而降低计算精度。基于此，本发明提出一种基于协同张量分解的旅行时间估计方法，通过协同历史张量以及张量在不同维度下的因子矩阵，为原始张量提供隐性特征进而增加计算精度。将张量填补完整之后便可得到车辆在任意时间段内通过任意路段的旅行时间。

本发明提出的基于张量分解的旅行时间估计方法具体包含以下几个步骤：

步骤一，构建旅行时间张量

(1)构建原始张量，由于检测到的旅行时间数据为一辆车在某一时间经过某一路段产生的，所以设置原始张量为A_n∈R^N×M×L，表示其规格为N×M×L。其中张量的三个维度分别为路段，车辆和时间，张量A_n中第(i,j,k)个元素表示车辆j在第k个时间段内经过路段i的旅行时间。在时间维度时段长度可根据具体需求设置。

(2)构建历史张量，一般情况下原始张量十分稀疏，直接使用原始张量A_n进行张量分解得到的旅行时间估计值误差过大，所以需要构建历史旅行时间张量A_h作为辅助张量对张量A_n进行补充。历史张量A_h与原始张量A_n结构完全相同，即A_h∈R^N×M×L，且A_h与A_n的时间窗长度及时间区间需要保持一致，只是A_h中的元素是对应的历史旅行时间平均值。A_h(i,j,k)＝a表示车辆j在时间段k内经过路段i的旅行时间历史平均值为a。历史数据的数据量可以根据估计经度以及计算效率等因素综合选取。历史数据的数据量越大，历史张量A_h越密集，最终计算结果相对越准确。反之，历史数据的数据量越小，历史张量A_h越稀疏，最终计算结果相对越不准确。

(3)显然，张量A_h与张量A_n相比是一个十分密集的张量，它包含了车辆在历史时刻的路段旅行时间的数值特征。需要将两个张量合并为一个张量再进行后续计算，即将两个张量按照时间维度堆叠，得到张量A∈R^N×M×2L，公式如下：

A＝A_n||A_h (1)

步骤二，构建特征矩阵