原文传递
基于低秩矩阵与张量补全的交通数据缺失值恢复方法研究
| 论文题名： | 基于低秩矩阵与张量补全的交通数据缺失值恢复方法研究 |
| 关键词： | 智能交通系统;数据恢复;低秩矩阵;张量补全;时空相关性 |
| 摘要： | 智能交通系统是解决交通拥堵、事故频发等交通问题的关键途径。而完整准确的交通数据则是智能交通系统得以运行的基础和保障。但是数据在实际采集情况下通常会不可避免地由于各方面因素导致交通数据的丢失，使得路径规划、交通流预测等交通管理工作无法正常开展，严重阻碍了交通事业的发展。本文依托国家自然基金“基于时空特征驱动稀疏学习的路网交通流缺失值恢复研究（61773184）”，针对已有方法中对交通数据特性利用不足的问题，对交通数据的恢复进行系统研究，有效提高了交通数据恢复的准确度，主要工作如下： （1）深入分析了交通数据的时空相关性、差异性和周期性，结合现代数据采集技术，详细介绍了交通数据的缺失原因和缺失模式，为交通数据的恢复提供理论支持；深入探讨了基于低秩矩阵补全模型和基于张量重建模型的缺失值恢复方法，并提出模型求解算法。在真实交通流数据集上进行验证，实验结果表明恢复值与真实值具有较好的拟合效果，为交通数据的恢复奠定方法基础。 （2）为最大限度地利用交通信息的局部邻近和全局关联结果，采用了一种基于最小化的图正则化与Schatten-p范数的方法解决交通数据缺失的问题。用Schatten-p范数代替核范数使得更能逼近矩阵的秩从而更准确刻画交通数据的时空相关性；其次，构造了用于描述数据局部邻近框架的图模型，解决了因忽略局部数据差异性造成的恢复不准确问题。实验结果表明，该方法与其它方法相比恢复误差降低了1.93%-22.8%，有效提升了恢复精度。 （3）针对数据的多维相关性及样本自相似性利用不足的问题，通过将低秩张量补全和稀疏自表示集成到一个统一的框架中，提出一种新的交通数据缺失值恢复模型。保证全局多维关联性和交通数据样本自相似性的充分利用。在两个实际交通数据上展开实验，实验结果表明该方法显著提升了数据恢复性能。 （4）针对所提的交通数据恢复模型变量耦合难以求解问题，设计了基于交替方向乘子法框架的求解算法，通过推导算法，将大规模优化模型分解成多个单变量优化模型联合优化，有效的降低了模型求解难度。此外，引入改进的和声搜索算法进行参数寻优，保证了模型最优解的产生。 综上，本文通过对交通数据缺失值恢复方法的研究，高效解决了交通数据完整性和准确性表达难题，对实现精准的交通流预测、智能诱导等交通管理工作具有重要的理论意义和数据支撑保障。 |
| 作者： | 梁书荣 |
| 专业： | 交通运输工程 |
| 导师： | 陈小波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
