本发明涉及道路交通,特别涉及基于张量鲁棒分解的平均车速预测方法、装置、存储介质。
背景技术:
1、随着现代化工业的大力发展,有数以千计的小型传感器记录海量的交通流数据,这也催生出一系列智能交通产业的发展,比如智能交通系统、自动驾驶技术、车联网等。但是实际收集到的交通数据,通常因为设备损坏、传输失真等原因,使得交通数据集存在不同程度的丢失现象,同时还存在着大量离群值问题,这制约了智能交通系统的发展。
2、目前,大多数模型都是采用l2范数构建目标函数,来实现对交通缺失数据的预测。然而原始数据通常是与离群数据混合的,这将无法保证模型的鲁棒性,这可能会大大降低平均车速预测的准确性。
技术实现思路
1、针对现有技术中平均车速预测的准确性较低的问题,本发明提出基于张量鲁棒分解的平均车速预测方法、装置、存储介质,通过利用历史车速数据构造非负张量分解模型,利用柯西损失来度量观测到的平均车速值与预测值之间的差异,有效降低了离群值对数据特征发掘的干扰,提高预测的准确性。
2、为了实现上述目的,本发明提供以下技术方案:
3、基于张量鲁棒分解的平均车速预测方法,具体包括以下步骤:
4、s1:接收服务器发送的预测路段历史平均车速的指令,从传感器采集路段历史车速数据并进行存储;
5、s2:根据存储的路段历史车速数据构建平均车速张量;
6、s3:根据平均车速张量构建平均车速预测目标损失函数,并进行迭代优化,输出平均车速预测值。
7、优选地,所述s1中,采集的路段历史车速数据以四元组的形式进行存储,四元组表示形式为q=(r,d,t,s)其中,q表示路段历史车速数据,r表示传感器监测的路段,d表示传感器监测的日期,t表示传感器监测一天内的时间窗口,s表示传感器在第r个路段第d天的第t个时间窗口探测到的平均车速。
8、优选地,所述s2中,平均车速张量的构建方法为:
9、s2-1:根据时间窗口t将四元组q=(r,d,t,s)划分成k个时间片段,运用t=1的四元组q=(r,d,1,s),可以得到q(1)的数据(r,d,s),从而构造i×j的切片矩阵a(1),其中i为传感器监测路段的数量,j为传感器监测记录的天数;依次类推,构建切片矩阵a(2)、a(3)、...、a(k);
10、s2-2:用k个切片矩阵在三维空间中根据划分的k个时间片段依次从前到后排列构建平均车速张量s∈ri×j×k,其中,r表示实数集;用已知数据集合λ表示平均车速张量s所有数据组成的集合。
11、优选地,所述s3包括:
12、s3-1:初始化平均车速预测过程中所涉及的过程参数;
13、s3-2:根据平均车速张量和过程参数构建平均车速预测目标损失函数;
14、s3-3:对平均车速预测目标损失函数进行迭代优化;
15、s3-4:判断目标损失函数l(φ)的迭代过程是否达到迭代终止条件,若是则终止,若否则继续迭代;
16、s3-5:计算路段平均车速预测值。
17、优选地,所述s3-1中过程参数包括:路段平均车速张量s,隐特征矩阵r、d、t,对应的辅助变量矩阵三个隐特征矩阵对应的拉格朗日乘子矩阵的非负约束参数ρjp、ψkp,三个隐特征矩阵对应的学习惩罚参数τi、νj、ωk,隐特征矩阵维数p,最终收敛阈值τ;
18、隐特征矩阵r、d、t的大小由路段平均车速张量s的每个维度值和隐特征矩阵维数p确定,即r为i行p列的隐特征矩阵、p为j行p列的隐特征矩阵、t为k行p列的隐特征矩阵;
19、辅助变量矩阵分别为为i行p列、j行p列和k行p列的矩阵。
20、优选地,所述s3-2中,构建的平均车速预测目标损失函数为:
21、
22、公式(1)中,(i,j,k)∈λ表示在张量s中包含的已知元素的下标;sijk表示路段平均车速张量s中已知实体,即在第i个传感器监测路段的第j天第k个时间窗口的平均车速值;表示辅助变量矩阵中第i行第p列的值、表示辅助变量矩阵中第j行第p列的值、表示辅助变量矩阵中第k行第p列的值;γ表示柯西损失控制参数;rip表示隐特征矩阵r中第i行第p列的值;djp表示隐特征矩阵d中第j行第p列的值;tkp表示隐特征矩阵t中第k行第p列的值;ρjp、ψkp分别表示隐特征矩阵r、d、t对应的拉格朗日乘子矩阵的非负约束参数;τi、νj、ωk分别表示隐特征矩阵r、d、t对应的学习惩罚参数;i表示传感器监测路段的数量;j表示传感器监测记录的天数;k表示切片矩阵的数量;p表示隐特征矩阵的维数。
23、优选地,所述s3-3中,迭代优化的公式为:
24、
25、
26、
27、
28、
29、公式(2)中,其中,表示根据隐特征矩阵计算的平均车速预测值;表示辅助变量矩阵中第i行第p列的值,表示辅助变量矩阵中第j行第p列的值,表示辅助变量矩阵中第k行第p列的值,q表示正常数。
30、优选地,所述s3-5中,平均车速预测值的计算公式为:
31、
32、公式(3)中,表示平均车速预测值。
33、本发明还提供基于张量鲁棒分解的平均车速预测装置,用于执行平均车速预测方法,包括数据接收模块、数据存储模块、张量构造模块和预测模块;
34、数据接收模块,用于从传感器采集路段历史车速数据;
35、数据存储模块,用于存储采集的路段历史车速数据和预测模块输出的平均车速预测值;
36、张量构造模块,用于根据路段历史车速数据构造平均车速张量;
37、预测模块,用于根据平均车速张量构建目标函数并进行迭代优化,输出平均车速预测值。
38、本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在处理器上运行时实现基于张量鲁棒分解的平均车速预测方法的步骤。
39、综上所述,由于采用了上述技术方案,与现有技术相比,本发明至少具有以下有益效果:
40、本发明通过利用历史车速数据构造非负张量分解模型,并构建目标函数(柯西损失)来度量观测到的平均车速值与预测值之间的差异,有效降低了离群值对数据特征发掘的干扰,提高预测的准确性。同时,采用交替方向乘子法对目标函数进行更新,以获得较高的计算效率。
41、本发明专门作用于智能交通数据中路段平均车速数据,能够进行不受离群值影响的同时保持高准确度的路段平均时间预测,以解决针对包含周期性时序信息的动态的路段平均车速预测问题可广泛应用在计算机服务、交通等领域。
1.基于张量鲁棒分解的平均车速预测方法,其特征在于,具体包括以下步骤:
2.如权利要求1所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s1中,采集的路段历史车速数据以四元组的形式进行存储,四元组表示形式为q=(r,d,t,s)其中,q表示路段历史车速数据,r表示传感器监测的路段,d表示传感器监测的日期,t表示传感器监测一天内的时间窗口,s表示传感器在第r个路段第d天的第t个时间窗口探测到的平均车速。
3.如权利要求1所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s2中,平均车速张量的构建方法为:
4.如权利要求1所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s3包括:
5.如权利要求4所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s3-1中过程参数包括:路段平均车速张量s,隐特征矩阵r、d、t,对应的辅助变量矩阵三个隐特征矩阵对应的拉格朗日乘子矩阵的非负约束参数ρjp、ψkp,三个隐特征矩阵对应的学习惩罚参数τi、νj、ωk,隐特征矩阵维数p,最终收敛阈值τ;
6.如权利要求4所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s3-2中,构建的平均车速预测目标损失函数为:
7.如权利要求4所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s3-3中,迭代优化的公式为:
8.如权利要求4所述的基于张量鲁棒分解的平均车速预测方法,其特征在于,所述s3-5中,平均车速预测值的计算公式为:
9.基于张量鲁棒分解的平均车速预测装置,用于执行权利要求1-8任一项所述的平均车速预测方法,其特征在于,包括数据接收模块、数据存储模块、张量构造模块和预测模块;
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序在处理器上运行时实现权利要求1-8任一项所述的基于张量鲁棒分解的平均车速预测方法的步骤。