[发明专利]一种基于张量化神经网络的路网行程时间预测方法

权利要求书

1.一种基于张量化神经网络的路网行程时间预测方法，其特征在于，包括以下步骤：

(1)、基于多维特征构建路网行程时间张量；

(2)、分解路网行程时间张量，得到张量在各个维度的特征矩阵；

(3)、通过长短时记忆神经网络预测得到时序特征矩阵；

(4)、重构路网行程时间张量，获得预测的以张量形式存储的路网行程时间；所述步骤(1)中构建的路网行程时间张量的尺寸为

其中，张量A的三个维度n₁、n₂和n₃分别代表日期、时间窗和路段；所述步骤(1)中，在构建路网行程时间张量时，在存在原始数据缺失或数据存在噪音的情况下，通过设定路段通行时间阈值判定数据是否为异常数据，判定方法如下：

其中，T为路段通行时间；L为路段长度；v为道路限定车速；θ为折减系数；当路段通行时间超过通行时间阈值时，可直接将其视为异常数据并与缺失数据一起在路网行程时间张量A中以0元素表示；

所述步骤(2)中，通过张量分解算法Tucker分解提取上述张量A的时空特征，Tucker分解将张量A分解成一个核张量与三个因子矩阵相乘的形式，其中每个因子矩阵对应张量A在一个维度的特征，核张量隐含着张量A各维度间的关联程度；所述步骤(2)中，张量A的分解为一个非线性约束问题，通过设定目标函数求解最优解，目标函数如下所示：

式中：为Tucker分解后的核张量；U、V、W分别代表张量A在各维度的特征矩阵；为目标函数的正则项；λ为正则项系数，针对该目标函数使用梯度下降法更新各变量：

其中，α为梯度下降法的学习率；X₁、X₂、X₃是张量和矩阵间的模态积，为矩阵的积；ε为估计张量与实际张量的差，可预设误差阈值，当算法不断迭代，且估计张量与实际张量的误差小于误差阈值时，迭代终止，此时便可得到张量A在各个维度的特征矩阵，也就是，代表时间维度的特征矩阵U，代表空间维度的特征W和代表车辆维度的特征矩阵V。

2.根据权利要求1所述的基于张量化神经网络的路网行程时间预测方法，其特征在于，所述步骤(3)具体为：将代表时间维度的特征矩阵U输入长短时记忆神经网络，对路网特征进行预测，通过输入门、遗忘门和输出门的计算得到未来一段时间间隔下的路网时序特征矩阵U_p，将两个特征矩阵按照时间维度堆叠，得到最终的时序特征矩阵U_L＝U||U_p。

3.根据权利要求2所述的基于张量化神经网络的路网行程时间预测方法，其特征在于，所述步骤(4)具体为：将所得到的核张量与三个维度的特征矩阵进行张量重构，其中时序特征矩阵为步骤(3)的输出U_L；其余维度的特征矩阵为步骤(2)的输出W与V:

其中，A_L＝A||A_p，A_p即为所预测的以张量形式存储的路网行程时间。