[发明专利]一种基于贝叶斯张量分解的智能路侧多源数据融合方法

权利要求书

1.一种基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，包括以下步骤：

(1)数据预处理，采集道路上车辆的速度信息，针对缺失和异常数据进行有效识别和处理；

(2)数据融合，通过构建速度张量，利用贝叶斯思想求解相关参数，得到融合后的速度张量。

2.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(1)中，利用视频和雷达检测器实时的采集道路上车辆的速度信息。

3.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(1)中，采用阈值筛选的方式对异常数据予以剔除，若当前速度超过该路段限速v_max的150％，即v′≥f₁·v_max，其中f₁为速度修正系数，f₁＝1.5，则认为是异常数据，赋值为0，并记为w₁；若某采集周期内，未记录相应的数据，则判定为数据丢失，赋值为0，记为w₁；若正常记录数据，则记为w₂。

4.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(2)中，构建三阶速度融合张量，张量X的维度为3，n₁代表传感器类型，n₂代表车道，n₃代表时间窗；定义与张量相同大小的张量Y，满足：

5.根据权利要求1所述的基于贝叶斯张量分解的智能路侧多源数据融合方法，其特征在于，所述步骤(2)中，利用CP分解对张量X进行求解，设定目标函数为:假设张量元素服从高斯分布：X～N假定因子矩阵中所有的行向量的先验新建分布同为高斯分布，满足

将超参数μ^(k)∈R^r和Λ^(k)∈R^r×r设置为共轭先验，新建分布设为Gaussian-Wishart，同时假设精度项τ的先验分布服从伽马分布；为得到各维度的联合分布条件概率，对因子矩阵U^(k)、超参数μ^(k)、Λ^(k)(k＝1,2,3)、精度项τ进行Gibbs采样，并设置最大迭代次数；

交替迭代，当迭代次数达到最大迭代次数时，迭代终止，输出张量最后在张量的第一个维度取平均值得到融合后的速度数据。