关键词:
智能交通系统
交通速度预测模型
交通数据缺失模式
低秩张量补全理论
自回归分析
截断核范数
摘要:
为实时动态评估交通态势,结合低秩张量补全理论,提出了一种基于自回归正则项与拉普拉斯正则项的交通速度预测模型;为提高模型在全局空间维度的表达能力,构建基于低秩张量补全框架的拉普拉斯卷积正则项表示路段间的关联关系;为提高模型在局部空间维度的表达能力,利用自回归模型的时间序列趋势捕获能力提高模型在时间维度的短时与长时表达能力,更精确地捕获交通数据的时空信息;为提高算法效率,通过时域与频域信号的转换降低了矩阵运算量,并采用截断核范数作为低秩张量逼近模型;使用交替方向乘子法实现高效的低秩拉普拉斯自回归张量补全(LLATC)预测方法;基于出租车行驶速度数据集和高速公路交通速度数据集,分析了LLATC算法在不同缺失率情况下的补全效果,对比了LLATC算法与其他基线预测算法的预测精度。研究结果表明:在交通数据随机缺失模式下,缺失率为20%~70%时,相对于传统的低秩张量补全模型,LLATC算法补全平均绝对误差降低了2%~6%,相比于传统的预测方法,LLATC算法预测平均绝对误差降低了4%~22%;在交通数据非随机缺失模式下,相对于传统的低秩张量补全模型,LLATC算法的平均绝对误差降低了2%~6%,相比于传统的预测方法,LLATC算法的预测平均绝对误差降低了13%~25%。可见,在2种交通数据缺失模式下,改进低秩张量补全方法降低了交通量数据的补全误差,能有效提高交通数据的预测精度,简化了数据处理流程。