本发明属于智能交通分析领域，涉及短时交通流分析，尤其是区域多个路口基于动态张量分解的短时车流量预测。
背景技术：
随着智能交通系统的不断发展,在交通领域，借助于物联网提供的感知设备和网络，可以感知并收集到道路上与人、车、路、环境等相关的多种动静态数据。充分挖掘和利用这些数据，可以为大众提供出行服务，为交通行业提供车辆、物流等监控服务，为城市管理提供辅助决策。短时交通流预测作为智能交通领域的一个研究热点,是实现智能交通控制和交通疏导的关键技术之一。
现阶段，由于交通流数据预测的重要性，研究者一直在探索交通流数据预测理论。其主要研究从交通流数据的时空特性展开，所使用的方法包括基于单一时间序列的分析、基于相邻交通流的分析和基于时空特性的分析等。在针对城市交通的短时交通流预测中，多数研究主要从时空特性展开，结合交通流数据的周期特点进行短时交通流预测。
基于时空特性的交通流预测虽然取得了一定的效果，但实际情况存在大量数据丢失的情况，造成较严重的数据稀疏性问题，传统的方法预测性能急剧下降。同时对交通流的无差异性划分，预测方法难以利用交通流数据间的相似性特点，增大了预测的偏差。
交通流预测旨在挖掘交通数据的变化特征，预测未来一段时间的车流量，为交通流变化趋势和交通引导提供基础和参考。当前对短时交通流预测的研究，在时间层面上分析历史数据与未来数据的相关关系，捕捉交通流时间序列的变化特性。在空间层面上，分析空间相似性和传播性，对交通数据进行矩阵建模计算。同时，在时间序列上，根据交通流数据表现出的周期特性，结合时间维度上的周期性，对交通流数据进行预测。本发明综合以上交通数据的特性，对交通流数据进行了相似性度量，提出了一种基于“路口-X-时段”的短时交通流张量预测方法，X为可变时间周期维度。
技术实现要素：
本发明旨在解决以上现有技术的问题。提出了一种使其能够动态的预测短时交通车流量，提升了路口短时车流量分析的精确性的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。本发明的技术方案如下：
一种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，其包括：
数据源获取模块，用于获取在不同时间点某路口的过车记录以及车辆信息；
路口相关性分析模块，根据获得数据源的交通流信息，得到预测路口在同一时间周期下的短时交通流时间序列短时交通流数据，采用层次聚类法，其主要思想是，先把每一个样本点看成一个聚类，然后不断重复的将其中最近的两个聚类合并，直到满足迭代终止条件。设置距离阈值，度量交通流相似性，加强预测路口内部相关性；
短时交通流张量预测模型构建模块，结合时间维度、空间维度、时间周期维度，根据不同的周期维度建立不同的张量模型，从多个角度挖掘交通流变化趋势，根据路口相关性分析得到的强相关性路口，构建基于“路口-X-时段”的短时交通流张量预测模型，将预测路口的短时交通流数据填充进张量模型，基于较强相似性的交通流数据的分析提高了张量模型的泛化能力；
预测和分析模块，预测和分析模块，利用构建的短时交通流预测张量模型对交通数据进行分析，通过引入滑动窗口，使构建的张量成为在时间序列上的动态张量流，利用张量分解的数据压缩和维度转换特性，通过对缺失值的逐次迭代，优化处理过程，结合交通流张量在时间上的动态特性，利用动态张量分解实现路口短时交通流的预测。
进一步的，所述数据源获取模块，用于获取在不同时间点某路口的过车记录以及车辆信息，具体包括：
S11：获取数据，各路口在不同时间点的过车数据，包括过车方向，过车车牌，路口名称与位置；
S12：预处理原始数据。对数据源重复数据、无效数据进行清洗。
进一步的，所述路口相关性分析模块分为路口短时交通流的获得和对交通流的相似性度量，具体包括：
S21：空间路口选定，根据路口的空间关联性，根据获得数据选定区域相关的m个路口；
S22：提取路口在时间周期下的短时车流量数据，选取高密度车流量时间段，利用层次聚类，设定距离阈值，对交通流数据进行相似性划分，实现对路口的相关性分析。
进一步的，所述S22选取高密度车流量时间段，利用层次聚类，设定距离阈值，对交通流数据进行相似性划分，具体包括：
S221：获取路口在时间周期上的短时车流量时间区域[t0,tn],其中t0表示路口车流量的起始时间，tn表示路口车流量的截止时间，然后在路口车流量的时间区域内进行短时段分片，根据交通流特点，对时间区域进行具体划分 T＝{1,2,3,…,t,…n}，从获得的交通数据中，得到各个路口的交通流时间序列 vi＝[xi1,xi2,xi3...xin]，其中xin表示第i个路口在第n个时间段内的车流量，构建交通流序列矩阵Vm×n＝[v1v2...vm]T；
S222：根据以上得到的交通流序列矩阵，以欧氏距离度量相似性，计算：
其中dij表示第i个时间序列和第j个时间序列之间的欧式距离，利用层次聚类，设定欧氏距离阈值p，得到交通流序列间欧式距离小于阈值且属于一类的交通流序列cluster(vi∈(Euclidean distance＜p))，p表示阈值。
进一步的，所述短时交通流张量预测模型的构建主要分为以下两个步骤。
S31：结合交通流数据的多维特性，引用张量分解在数据维度转换和数据压缩的特性，建立张量模型“路口-X-时段”来表征交通流数据，其中X为时间周期的表示，是可变的；
S32：根据确定的三个维度，获得相应维度下的交通流数据，该模型的初始填充值是路口在确定维度下的短时车流量，该三阶张量其中I1表示路口维度个体数量即路口数，I2表示可变参数X维度个体数量，I3表示时段维度个体数量。
进一步的，所述预测分析模块的处理过程具体包括以下步骤：
S41：将S32中构建好的张量A进行分解运算，首先将张量A展开成矩阵 A(1),A(2),A(3)，然后分别对每一模式进行KernelSVD分解，得到当前时段相应的特征矩阵U(1),U(2),U(3)，利用得到的特征矩阵计算核心张量，求得近似张量；
S42：将张量看成是时间上形成的动态张量流引入滑动窗口，根据滑动的时间，将相应的车流量数据填充进张量相应位置，预测时段车流量设为零，构成新的张量流张量各维度大小不变，填充进张量的数据随着时间滑动不断更新。重复S4的过程，直到t值为设置预测时间上限tmax，通过对动态张量流的分解，可实现短时车流量的动态预测。
进一步的，所述S41的KernelSVD分解具体包括以下步骤：
S411：将张量的模式展开矩阵A(n)利用映射函数将A(n)映射到高维空间，即fxy表示映射矩阵Fn中对应的元素，Φ表示高斯核函数映射，axy表示A(n)中对应的元素，对每一个A(n)找到一个对应的映射矩阵Fn，把axy映射成Fn中的fxy，即fxy＝Φ(axy)，对于每个Fn矩阵应用SVD分解，即Fn＝U(n)Σ(n)VT(n)，T(n)表示矩阵的装置，采用一种内积的形式，定义一个矩阵Wn且满足 Wn是对称的方阵，对其进行特征值分解Wn＝QΣQ-1，Q是左奇异矩阵U(n)，当可以得到右奇异矩阵V(n)和特征矩阵Σ(n)，这样就可以得到所需的特征矩阵；
S412：求得一个低秩的近似张量来表示张量A,计算得到的U(n)和公式：
A＝G×1U(1)×2U(2)×3U(3)，
计算得到核心张量：
其中为的近似矩阵，ci的值取决于保留初始对角矩阵数据百分比；
S413：根据得到的近似矩阵和核心张量计算得到近似张量:
本发明的优点及有益效果如下：
本发明针对路口交通流的无差异划分和数据稀疏性问题，提出了结合交通流相似性度量和张量分解的预测方法。针对传统预测方法存在的不足，本方案对路口交通流数据进行相似性划分，结合张量分解短时车流量预测模型，提高预测准确率。首先，针对路口交通流无差异划分问题，根据交通流相似性，利用层次聚类算法提取交通流相似性较强的路口来预测，加强预测路口内部相关性。然后，结合张量分解在数据维度转换和数据投影的特性，考虑时间维度上的周期性，用X表示，构建基于“路口-X-时段”张量分解的短时交通流预测模型，从多个角度挖掘交通流变化趋势。最后，在张量流中加入滑动窗口，保持动态张量时间维度的变化特性，提升了路口短时车流量分析的精确性，同时，有效的改善了数据稀疏性产生的问题，进一步提高了预测准确率。本发明提出的结合交通流相似性度量和张量分解的预测方法，不仅完善了交通流无相似性度量造成的精确度不足问题，还改善了传统方法在数据情况下存在的弊端。
附图说明
图1是本发明提供优选实施例的总体流程图。
图2本发明的三阶张量模式展开矩阵图。
图3本发明的学习算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
图1为本发明的总体流程图，包括：获取数据模块，交通流相似性划分模块，构建模型模块，预测分析模块共四大模块。具体说明本发明的详细实施过程，包括如下四个步骤：
S1：获取数据源。数据源的获取可以直接从现有的交通大数据开源平台或者从交通管理部门获取。
S2：路口相关性分析。根据交通流数据的时空特性，不同路口的车流量在空间上关联且具有较强的相似性质。通过层次聚类度量交通流的相似性对路口进行相关性分析。
S3：建立模型，根据多维数据处理理论基础思想和方法，构建张量预测模型。该模型表示，短时车流量值主要受三个维度的影响。分别为时间维度、空间维度、时间周期维度，根据不同的周期维度建立不同的张量模型，从多个角度挖掘交通流变化趋势。
S4：预测和分析过程。根据选定路口的交通流数据建立张量模型，利用处理后的交通流数据，填充张量分解模型，实现数据维度转换。然后基于张量分解对数据的降维和张量子空间的学习，通过对缺失值的不断迭代，优化处理过程，得到合理的张量预测结果。另一方面，通过引入滑动窗口，使张量成为在时间序列上的动态张量流，动态的预测短时交通流。
上述步骤S1获取数据源。主要分为以下2个步骤。
S11：获取数据。各路口在不同时间点的过车数据，包括过车方向，过车车牌，路口名称与位置。
S12：预处理原始数据。对数据源重复数据、无效数据进行清洗，有利于数据分析。
上述步骤S2，路口关联性分析。主要分为以下两个步骤。
S21：空间路口选定。根据路口的空间关联性，区域路口的车流量相互影响且在一定程度上具有相似性，为了保持预测路口交通流的相关性，根据获得数据选定区域相关的m个路口。
S22：提取路口在时间周期下的短时车流量数据，选取高密度车流量时间段，利用层次聚类，设定距离阈值，对交通流数据进行相似性划分，实现对路口的相关性分析。
S221：获取路口在时间周期上的短时车流量时间区域[t0,tn],其中t0表示路口车流量的起始时间，tn表示路口车流量的截止时间。然后在路口车流量的时间区域内进行短时段分片。根据交通流特点，对时间区域进行具体划分 T＝{1,2,3,…,t,…n}，从获得的交通数据中，得到各个路口的交通流时间序列 vi＝[xi1,xi2,xi3...xin]，其中xin表示第i个路口在第n个时间段内的车流量，构建交通流序列矩阵Vm×n＝[v1v2...vm]T。
S222：根据以上得到的交通流序列矩阵，以欧氏距离度量相似性，计算：
其中dij表示第i个时间序列和第j个时间序列之间的欧式距离，利用层次聚类，设定欧氏距离阈值p，得到交通流序列间欧式距离小于阈值且属于一类的交通流序列cluster(vi∈(Euclidean distance＜p))。
上述步骤S3，建立模型。主要分为以下两个步骤。
S31：结合交通流数据的多维特性，引用张量分解在数据维度转换和数据压缩的特性，建立张量模型“路口-X-时段”来表征交通流数据，其中X为时间周期的表示，是可变的，例如可选为周、天，可根据多个路口连续几周的数据来进行预测，也可根据多个路口连续几天的数据来进行预测。
S32：根据确定的三个维度，获得相应维度下的交通流数据，该模型的初始填充值是路口在确定维度下的短时车流量(每5分钟)，该三阶张量其中I1表示路口维度个体数量(路口数)，I2表示可变参数X维度个体数量(周数或天数)，I3表示时段维度个体数量(时段数)。
上述步骤S4，预测和分析过程。主要分为以下两个步骤。
S41：将S3中构建好的张量A进行分解运算，首先将张量A展开成矩阵 A(1),A(2),A(3)，具体展开过程如图2所示。然后分别对每一模式进行KernelSVD 分解，得到当前时段相应的特征矩阵U(1),U(2),U(3)，利用得到的特征矩阵计算核心张量，进而求得近似张量。
S411：为了缓解数据稀疏的问题，本发明没有使用传统的SVD分解，而是选择了Kernel SVD分解，将张量的模式展开矩阵A(n)利用映射函数将A(n)映射到高维空间，即因此对每一个A(n)可以找到一个对应的映射矩阵Fn，把axy映射成Fn中的fxy，即fxy＝Φ(axy)，对于每个Fn矩阵应用SVD分解，即 Fn＝U(n)Σ(n)VT(n)。采用一种内积的形式，定义一个矩阵Wn且满足对于Wn是通过计算Fn的内积得到的，可以利用核函数代替此内积的计算。Wn是对称的方阵，对其进行特征值分解Wn＝QΣQ-1，Q是左奇异矩阵U(n)。当可以得到右奇异矩阵V(n)和特征矩阵Σ(n)，这样就可以得到所需的特征矩阵。
S412：由于张量A的三个维度各自及其相互作用之间都存在相关性，因此三维张量A具有低秩性。一般情况下，张量数据中含有噪声，需要求得一个低秩的近似张量来表示张量A,根据S412中计算得到的U(n)和公式：
A＝G×1U(1)×2U(2)×3U(3)
计算得到核心张量：
其中为的近似矩阵，ci的值取决于保留初始对角矩阵数据百分比。
S413：根据得到的近似矩阵和核心张量计算得到近似张量:
S42：将张量看成是时间上形成的动态张量流引入滑动窗口，根据滑动的时间，将相应的车流量数据填充进张量相应位置，预测时段车流量设为零，构成新的张量流张量各维度大小不变，填充进张量的数据随着时间滑动不断更新。重复S4的过程，直到t值为设置预测时间上限tmax，通过对动态张量流的分解，可实现短时车流量的动态预测。
本发明针对智能交通中交通流的无差异性划分和数据稀疏性问题，提出了一种基于交通流相似性划分和张量分解的短时车流量预测方法。使用层次聚类度量交通流相似性，加强预测路口内部相关性；利用张量分解及可变张量模型从时间上多角度预测短时车流量，结合滑动窗口，实现动态的短时交通流预测，可较好的把握交通流变化趋势。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。