CN112734100A - 一种基于张量化神经网络的路网行程时间预测方法 - Google Patents

Abstract

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。

Description

一种基于张量化神经网络的路网行程时间预测方法

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：

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。

优选地，其中，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。

优选地，其中，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。

与现有技术相比，本发明的基于张量化神经网络的路网行程时间预测方法具有如下有益技术效果：

1、其采用张量分解算法，张量分解算法可以提取交通张量数据中的核张量，核张量较少依赖于原始交通数据的精度和数量，通过降低原始张量的维数，去除冗杂数据，在提高数据精度的同时，大大降低了后续模型的计算复杂度，比传统方法具有更快收敛速度和更高的精度。

2、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。

附图说明

图1为本发明的基于张量化神经网络的路网行程时间预测方法的流程图。

具体实施方式：

下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。

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，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。

下面以瑞安市卡口数据为例，对本发明的基于张量化神经网络的路网行程时间预测方法进行详细描述。

如图1所示，本发明的本发明的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：

步骤一、构建路网行程时间张量

所使用数据涉及瑞安市54条路段，且道路均为双向车道，故所设计路网共有路段108条。数据采集时间为2016年6月1日至30日，共30天；假设时间窗为30min，因为凌晨及夜晚交通出行较少，故导致所构建张量较为稀疏，最终预测效果差，所以选取7：00至19：00为采样时间。

因此，最终我们所构建的张量大小为A∈R^30×24×108，其为一个三维张量，三个维度分别代表日期，时间窗以及路段。张量A中的每一个元素a_ijk∈A的物理意义为在第i天，第j个时间段内通过道路k的时间。

当构建张量时，存在原始数据缺失或数据存在噪音的情况，可通过设定路段通行时间阈值判定该条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。考虑到道路拥堵，驾驶员行为以及特殊情况干扰会导致车辆通过路段时间变长，故设定折减系数θ，θ的具体大小可按实际情况设定。当原始数据超过通行时间阈值时，可直接将其视为异常数据并于缺失数据一起在张量中以0元素表示。

步骤二、张量分解

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，因子矩阵的个数等于张量的阶数。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。

核张量的大小设定是一个NP难问题，通常按照实际数据情况使用穷举法，比较不同大小下张量分解模型的精度。我们可以认为张量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分别代表张量在各维度的特征矩阵；

为目标函数的正则项，可防止求解时发生过拟合；λ为正则项系数。

针对上述张量A，可以设定核张量大小为(20，16，24)；三个因子矩阵的大小分别为U∈R^30×20；V∈R^24×16；W∈R^108×24。

针对该目标函数可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，可根据实际数据情况设定；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。

步骤三、循环神经网络预测时序特征

将代表日期的特征矩阵U∈R^30×20输入长短时记忆神经网络，其中矩阵的列30代表30个日期，矩阵的行20为核张量的第一个维度长度。将矩阵的每一列视为预测单元，长短时记忆网络为“多对一”的序列模式，即使用前几天的列数据预测后一天的列数据，预测的列数据中隐藏着当天路网的时序特征。设定网络参数“input size＝5、batch size＝10、output size＝1”。

长短时记忆神经网络通过输入门、遗忘门、输出门保证了长时记忆不会被短时记忆所覆盖，，个门均使用sigmoid函数进行激活：

i^t＝σ(W⁽ⁱ⁾x^(t)+U⁽ⁱ⁾h^(t-1))

f^t＝σ(W^(f)x^(t)+U^(f)h^(t-1))

o^t＝σ(W^(o)x^(t)+U^(o)h^(t-1))

h^(t-1)为上一个神经单元输出；x^(t)为当前神经单元输入；W⁽ⁱ⁾、W^(f)、W^(o)、U⁽ⁱ⁾、U^(f)、U^(o)均为门权重；i^t为输入门输出；f^t为遗忘门输出；o^t为输出门输出；σ为sigmoid激活函数。

通过输入们、遗忘门、输出门得到了新的记忆单元为：

其中，W^(c)、U^(c)为门权重；tanh为tan激活函数；

为新记忆单元输出。

因此，最终的记忆单元由新旧记忆单元加权得到：

则神经网络的最终输出为：

步骤四、张量重构

将时间特征矩阵U与步骤三所得到的特征矩阵U_p沿时间维度堆叠得到新时间维度矩阵U_L∈R^31×20，将所得到的特征矩阵与核张量进行重构，即可得到新的张量A_L：

新张量相较于原始张量沿着时间维度延长了一个单位，对应A_L(31，；，；)的位置，所预测的第三十一天路网内所有路段m从7时至19时的路网行程时间存储在此。

本发明提出的基于张量化神经网络的路网行程时间预测方法，首先通过张量分解算法挖掘路网的潜在时空特征，构建时空因子矩阵，再将因子矩阵输入长短时记忆神经网络实现对路网特征的时序预测；最后通过张量重构，融合路网时空特征实现大范围路网行程时间预测。本发明提出的张量化的神经网络，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。

Claims (7)

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。

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(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。

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(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。

4.根据权利要求3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(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。

5.根据权利要求4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(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；×₁、×₂、×₃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。

6.根据权利要求5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。

7.根据权利要求6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。

Images