CN107564288B - 一种基于张量填充的城市交通流预测方法 - Google Patents

一种基于张量填充的城市交通流预测方法 Download PDF

Info

Publication number
CN107564288B
CN107564288B CN201710934943.5A CN201710934943A CN107564288B CN 107564288 B CN107564288 B CN 107564288B CN 201710934943 A CN201710934943 A CN 201710934943A CN 107564288 B CN107564288 B CN 107564288B
Authority
CN
China
Prior art keywords
tensor
traffic flow
filling
data
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710934943.5A
Other languages
English (en)
Other versions
CN107564288A (zh
Inventor
郑海峰
苗荣臻
林凯彤
冯心欣
魏宏安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201710934943.5A priority Critical patent/CN107564288B/zh
Publication of CN107564288A publication Critical patent/CN107564288A/zh
Application granted granted Critical
Publication of CN107564288B publication Critical patent/CN107564288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于张量填充的城市交通流预测方法，包括以下步骤：步骤S1：收集预测点所邻近的交通流状态数据；步骤S2：根据收集交通数据做初始填充；步骤S3：设计交通数据张量；步骤S4：根据设计的交通流数据张量基于张量分解动态填充进行动态填充预测。本发明提出的一种基于张量填充的城市交通流预测方法，克服了现有技术中在交通流数据源存在缺失下预测精度不佳的缺陷；构建交通流张量模型同时采用划分张量窗口动态填充的方式，提高了在交通流预测数据源存在缺失下的预测精度。

Description

一种基于张量填充的城市交通流预测方法
技术领域
本发明涉及一种基于张量填充的城市交通流预测方法。
背景技术
随着经济的快速发展，交通拥堵问题已成为出行者考虑的首要因素之一，交通拥堵带来的出行时间和成本上的浪费也间接带来了不同程度经济上的损失和城市运行效率的下降，如何缓解交通拥堵带来的道路压力，规划日常出行是一个需要解决的问题，城市交通流的准确预测能够为出行者节省出行时间的花费，降低道路拥堵率，提高城市运作效率等，具有很大的商业价值。
国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。交通流数据具有时间相关性和空间相关性的特点，交通流的预测通过传感器设备收集到的数据进行分析并做未来的交通预测，传感器设备包括移动设备和固定设备，常见的移动设备有手机，平板电脑等，常见的固定设备有地感线圈等，交通状态的预测依赖传感器收集的大量的历史数据，而历史数据考虑实际使用时部分采集设备的突发故障往往是残缺不全的，之前的预测方法没有克服用残缺历史数据预测交通流准确度低的缺陷。
发明内容
本发明的目的在于提供一种基于张量填充的城市交通流预测方法，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于张量填充的城市交通流预测方法，还包括如下步骤：
步骤S1：获取预测点所邻近的交通流状态数据；
步骤S2：根据所述交通流状态数据进行初始填充操作；
步骤S3：建立交通流数据张量；
步骤S4：根据所述交通流数据张量，并采用基于张量分解动态填充，进行动态填充预测。
在本发明一实施例中，在所述步骤S1，获取所述预测点t前m天相同时刻邻近k个位置的交通流数据以及所述预测点t当天已观测到的邻近k个位置的交通流数据。
在本发明一实施例中，在所述步骤S2中，通过如下方式进行所述初始填充操作：
其中，x为不同时刻的交通流状态数据，known为已知的数据集，unknown为未知的数据集。
在本发明一实施例中，在所述步骤S3中，根据所述步骤S2处理后的交通流数据，将时刻、位置、天作为三阶张量的三个维度，在时刻维度上按照时刻的先后顺序，位置维度上按照车辆经过的先后顺序，天维度上按照周一到周天的顺序，建立所述交通流张量。
在本发明一实施例中，在所述步骤S4中，还包括如下步骤：
步骤S41：记时刻轴上的窗口尺寸大小为w；将所述交通流张量在时刻轴方向上进行窗口划分，初始化滑动次数为0；然后向时刻增大的方向滑动一个单位，滑动次数加1；持续向后滑动，直到滑动次数达到len，len为一预设数量阈值，并得到一张量序列；
步骤S42：将所述张量序列里的每一个张量秩大小记为r，并设置外循环次数为τ；
步骤S43：对于所述张量序列中的第一个张量，通过采用RTPM算法进行初始化操作，得到r对(u,σ)参数对，u为秩1张量因子，σ为系数因子；
步骤S44：对于所述r对(u,σ)参数对，通过外循环和内循环反复更新u和σ，外循环共τ次，每一个外循环里有r次内循环；完成τ次外循环后，利用更新后的u和σ，重构成新的张量；
步骤S45：通过执行所述步骤S43以及所述步骤S44，对所述张量序列的下一个张量进行处理，并直到该张量序列结束。
在本发明一实施例中，在所述步骤S44中，所述内循环采用基于计算原始张量与因子优化后张量的差的范数最小的原则，交替不断进行优化两个参数：
其中，q为当前内循环参数优化的标记，为当前内循环未优化的标记，t为当前外循环的标记，χ为待填充的张量。
相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于张量填充的城市交通流预测方法，利用对交通流数据构建动态张量模型，利用动态张量填充的方法实现了在历史数据存在缺陷下的未来交通流预测，克服了现有方法在交通流数据源存在缺失下预测精度不佳的缺陷，提高了在交通流预测数据源存在缺失下的预测精度。
附图说明
图1是本发明一实施例中交通流张量示意图。
图2是本发明一实施例交通流张量窗口化示意图。
图3是本发明一实施例的动图态更新张量参数实现预测优化示意。
图4是本发明一实施例提供的方法、KNN预测方法以及没有窗口化处理的静态填充方法预测准确率的对比。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种基于张量填充的城市交通流预测方法，包括以下步骤：
步骤S1：收集预测点所邻近的交通流状态数据；
步骤S2：根据收集交通数据做初始填充；
步骤S3：建立交通数据张量；
步骤S4：根据交通流数据张量，基于张量分解动态填充，进行动态填充预测。
进一步的，在本实施例中，交通流状态数据包括：相应的天、时刻、位置下所通过的车辆数目。通过一远程服务器对收集的交通流状态数据采用上述方法进行处理，并进行交通流预测。
进一步的，在本实施例中，收集预测点t前m天相同时刻邻近k个位置的交通流数据，并收集预测点t当天已观测到的邻近k个位置的交通流数据。
进一步的，在本实施例中，在步骤S2中，初始化填充过程：
其中，x为不同时刻的交通流数据；known为已知的数据集，主要为采集到的不存在缺失的交通流数据；unknown为未知的数据集，主要为采集到的存在缺失的交通流数据集和待预测的数据。
进一步的，在本实施例中，在步骤S03中，利用步骤S2完成初始化的交通流数据，参照图1所示，将时刻、位置、天作为三阶张量的三个维度，在时刻维度上按照时刻的先后顺序，位置维度上按照车辆经过的先后顺序，天维度上按照周一到周天的顺序，完成交通流张量的构建。
进一步的，在步骤S4中，还包括如下具体内容：
步骤S41：设置时刻轴上的窗口尺寸大小为w，把步骤S3获得的张量在时刻轴方向上进行窗口划分，参照图2所示，初始化滑动次数为0；然后向时刻增大的方向滑动一个单位，一个单位表示一个时间间隔，滑动次数加1；持续向后滑动，每次滑动次数持续加1，直到滑动次数达到len，len为给定的数量阈值。
步骤S42：对于步骤S41得到的张量序列，设置该张量序列里的每一个张量秩大小为r，设置外循环次数为τ。
步骤S43：针对步骤S41得到的张量序列的第一个张量，用RTPM算法做初始化，得到r对(u,σ)参数对，u为秩1张量因子，σ为系数因子。
步骤S44：针对步骤S43得到的r对(u,σ)参数对，通过外循环和内循环反复更新u和σ参数，参照图3所示，外循环共τ次，每一个外循环里有r次内循环。完成τ次外循环后，利用更新后的u和σ参数，重构成新的张量，实现unknown部分的填充，unknown部分为采集到缺失部分的数据和待预测部分的数据。
进一步的，在本实施例中，内循环以计算原始张量与因子优化后张量的差的范数最小为原则不断进行优化两个参数：
其中，q为当前内循环参数优化的标记，为当前内循环未优化的标记，t为当前外循环的标记，χ为待填充的张量。表示当前内循环下需要优化的秩1张量因子；uq表示的意义与相同；表示不参与当前优化过程的秩1张量因子；表示不参与当前优化过程的其他秩1张量因子的系数；表示经过待填充的张量与因子优化后张量的差的范数的平方最小为条件得到的求的中间变量，其通过最小二乘法处理获得；表示当前内循环下求过程中得到的满足待填充的张量与因子优化后张量的差的范数的平方最小条件的表示当前内循环下需要优化的秩1张量系数参数，其通过求欧几里得范数得到；||χ||F表示求张量χ的范数，||u||2表示求张量因子的欧几里得范数，表示求外积。
步骤S45：针对步骤S41得到的张量序列的下一个张量，反复步骤S43和S44，直到该张量序列结束。
进一步的，在本实施例中，为了让本领域技术人员进一步了解本发明的技术方案以及技术效果，下面将本方法、现有KNN以及没有窗口处理的张量填充方法做比较，主要比较交通流数据在不同采样率下的填充效果。如图4所示，相比之下本方法在不同采样率下拥有更低的相对误差，说明本方法改善了交通流预测数据源存在缺失下的预测精度，本方法具有一定的实际经济价值。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于张量填充的城市交通流预测方法，其特征在于，还包括如下步骤：
步骤S1：获取预测点所邻近的交通流状态数据；
步骤S2：根据所述交通流状态数据进行初始填充操作；通过如下方式进行所述初始填充操作：
其中，x为不同时刻的交通流状态数据，known为已知的数据集，unknown为未知的数据集；
步骤S3：建立交通流数据张量；
步骤S4：根据所述交通流数据张量，并采用基于张量分解动态填充，进行动态填充预测；还包括如下步骤：
步骤S41：记时刻轴上的窗口尺寸大小为w；将所述交通流张量在时刻轴方向上进行窗口划分，初始化滑动次数为0；然后向时刻增大的方向滑动一个单位，滑动次数加1；持续向后滑动，直到滑动次数达到len，len为一预设数量阈值，并得到一张量序列；
步骤S42：将所述张量序列里的每一个张量秩大小记为r，并设置外循环次数为τ；
步骤S43：对于所述张量序列中的第一个张量，通过采用RTPM算法进行初始化操作，得到r对(u,σ)参数对，u为秩1张量因子，σ为系数因子；
步骤S44：对于所述r对(u,σ)参数对，通过外循环和内循环反复更新u和σ，外循环共τ次，每一个外循环里有r次内循环；完成τ次外循环后，利用更新后的u和σ，重构成新的张量；
步骤S45：通过执行所述步骤S43以及所述步骤S44，对所述张量序列的下一个张量进行处理，并直到该张量序列结束。
2.根据权利要求1所述的一种基于张量填充的城市交通流预测方法，其特征在于，在所述步骤S1，获取所述预测点t前m天相同时刻邻近k个位置的交通流数据以及所述预测点t当天已观测到的邻近k个位置的交通流数据。
3.根据权利要求1所述的一种基于张量填充的城市交通流预测方法，其特征在于，在所述步骤S3中，根据所述步骤S2处理后的交通流数据，将时刻、位置、天作为三阶张量的三个维度，在时刻维度上按照时刻的先后顺序，位置维度上按照车辆经过的先后顺序，天维度上按照周一到周天的顺序，建立所述交通流张量。
4.根据权利要求1所述的一种基于张量填充的城市交通流预测方法，其特征在于，在所述步骤S44中，所述内循环采用基于计算原始张量与因子优化后张量的差的范数最小的原则，交替不断进行优化两个参数：
其中，q为当前内循环参数优化的标记，l为当前内循环未优化的标记，t为当前外循环的标记，χ为待填充的张量。
CN201710934943.5A 2017-10-10 2017-10-10 一种基于张量填充的城市交通流预测方法 Active CN107564288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710934943.5A CN107564288B (zh) 2017-10-10 2017-10-10 一种基于张量填充的城市交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710934943.5A CN107564288B (zh) 2017-10-10 2017-10-10 一种基于张量填充的城市交通流预测方法

Publications (2)

Publication Number Publication Date
CN107564288A CN107564288A (zh) 2018-01-09
CN107564288B true CN107564288B (zh) 2019-12-17

Family

ID=60983665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710934943.5A Active CN107564288B (zh) 2017-10-10 2017-10-10 一种基于张量填充的城市交通流预测方法

Country Status (1)

Country Link
CN (1) CN107564288B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845261B (zh) * 2017-11-03 2020-05-12 北京理工大学 一种基于张量融合交通信息的汽车全局工况动态重构方法
CN108417038B (zh) * 2018-05-09 2021-02-09 华中科技大学鄂州工业技术研究院 一种公交客流量的预测方法及系统
CN108804392B (zh) * 2018-05-30 2021-11-05 福州大学 一种基于时空约束的交通数据张量填充方法
CN108882189B (zh) * 2018-06-07 2020-11-10 福州大学 一种基于自适应杠杆抽样的WiFi室内定位方法
CN108898829B (zh) * 2018-06-07 2021-02-09 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
CN108920528B (zh) * 2018-06-08 2021-07-20 中国地质大学（武汉） 面向卷积神经网络的时空地理动态属性向量化方法及系统
CN110162744B (zh) * 2019-05-21 2023-01-17 天津理工大学 一种基于张量的车联网数据缺失多重估计新方法
CN110674111B (zh) * 2019-09-18 2021-07-23 北京航空航天大学 一种基于张量分解的车辆缺失旅行时间的填补方法
CN111640296B (zh) * 2020-05-08 2022-07-29 同济大学 交通流预测方法、系统、存储介质及终端
CN117058886A (zh) * 2023-10-12 2023-11-14 安徽宇疆科技有限公司 一种基于三阶张量的北斗时空数据模型及交通流分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952291A (zh) * 2017-03-14 2017-07-14 哈尔滨工程大学 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法
CN104220979B (zh) * 2009-05-27 2017-08-25 章寅 时空压缩感知方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7908076B2 (en) * 2006-08-18 2011-03-15 Inrix, Inc. Representative road traffic flow information based on historical data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104220979B (zh) * 2009-05-27 2017-08-25 章寅 时空压缩感知方法及装置
CN106952291A (zh) * 2017-03-14 2017-07-14 哈尔滨工程大学 基于3维结构张量各向异性流驱动的场景流车流量统计与测速方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伍元凯.基于动态张量填充的短时交通流预测研究.《CNKI中国优秀硕士学位论文全文数据库》.2015,第7-48页. *

Also Published As

Publication number Publication date
CN107564288A (zh) 2018-01-09

Similar Documents

Publication Publication Date Title
CN107564288B (zh) 一种基于张量填充的城市交通流预测方法
Guo et al. Deep spatial–temporal 3D convolutional neural networks for traffic data forecasting
CN110059772B (zh) 基于多尺度解码网络的遥感图像语义分割方法
Hofleitner et al. Learning the dynamics of arterial traffic from probe data using a dynamic Bayesian network
CN112863180B (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
Yu et al. A special event-based K-nearest neighbor model for short-term traffic state prediction
CN114529081B (zh) 一种时空联合的交通流量预测方法及装置
CN103747523A (zh) 一种基于无线网络的用户位置预测系统和方法
CN108804392A (zh) 一种基于时空约束的交通数据张量填充方法
Song et al. Online traffic flow prediction for edge computing-enhanced autonomous and connected vehicles
CN104008420A (zh) 一种基于自动编码机的分布式离群点检测方法及系统
CN115346372B (zh) 一种基于图神经网络的多组件融合交通流量预测方法
Ran et al. Short-term travel time prediction: a spatiotemporal deep learning approach
CN114971093B (zh) 城市道路交通流属性预测方法、系统、设备及介质
CN110322693B (zh) 一种交通数据补全方法、系统、设备及介质
Shi et al. Optimization and decomposition methods in network traffic prediction model: A review and discussion
CN115795182A (zh) 一种基于图卷积网络的下一个poi推荐方法
Hou et al. Road network state estimation using random forest ensemble learning
CN109064750B (zh) 城市路网交通估计方法及系统
Fang et al. Kalman-LSTM model for short-term traffic flow forecasting
CN116811895B (zh) 车辆运行速度确定模型处理方法和车辆运行速度确定方法
Zhou et al. Inferring high-resolutional urban flow with internet of mobile things
CN117058886A (zh) 一种基于三阶张量的北斗时空数据模型及交通流分析方法
Nie et al. Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner
Wang et al. Multi-source traffic data reconstruction using joint low-rank and fundamental diagram constraints

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant