[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

说明书

本发明涉及一种基于张量化神经网络的路网行程时间预测方法，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。本发明提出的张量化神经网络，通过大数据压缩技术，仅通过预测张量的因子矩阵即可实现大规模路网时序预测，对噪声和数据缺失具有强鲁棒性。

技术领域：

本发明属于智能交通领域，涉及一种路网行程时间预测方法，尤其涉及一种不完备数据条件下基于张量化神经网络的路网行程时间预测方法。

背景技术：

路网行程时间是智能交通系统中的一项重要参数，合理准确地对行程时间进行估计可以有效辨识路网状态，进而为交通决策提供数据反馈与理论支撑。

国内已有人提出了以海量交通数据驱动的行程时间预测方法，但是，大多均在原始数据完备且数据精度较高的情景下进行模型预测。然而，在实际交通场景下，由于设备故障，人为因素，天气环境影响等原因不可避免地会导致原始数据采集存在误差甚至缺失的情况，这直接影响了原始交通数据质量，进而影响了以数据驱动的模型精度。

鉴于现有技术的上述技术缺陷，迫切需要研制一种不完备数据条件下的路网行程时间预测方法。

发明内容：

本发明提出一种基于张量化神经网络的路网行程时间预测方法，面向数据缺失场景，通过张量分解进行时空特征降维，提取交通数据主成分，实现交通数据增强，并使用循环神经网络挖掘交通流隐含时序特征，融合交通流时空特征，实现路网行程时间高精度预测。

为了实现上述目的，本发明提供如下技术方案：

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。

优选地，其中，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。

优选地，其中，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；当路段通信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中以O元素表示。

优选地，其中，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，核张量隐含着张量各维度间的关联程度。

优选地，其中，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：