本發(fā)明屬于交通數(shù)據補全領域，具體涉及一種用于交通流量數(shù)據補全的神經張量環(huán)融合方法。

背景技術：

1、隨著信息采集技術的不斷發(fā)展，智能交通系統(tǒng)（intelligent?transportationsystems，its）在城市各地部署的物聯(lián)網傳感器數(shù)量逐漸增多。傳感器能夠時刻收集交通流量數(shù)據，這不僅能為城市居民提供更豐富的路網信息，還可以助力its解決由城市大規(guī)模增長而帶來的城市污染與交通擁堵等問題。然而，由于天氣情況、硬件故障、電源中斷等諸多原因，往往會造成交通數(shù)據的缺失，研究人員使用這些未經處理的缺失交通數(shù)據得出的結論和決策可能存在顯著偏差。因此，如何準確補全交通流量數(shù)據成為研究者們關注的熱點問題。

2、交通數(shù)據的補全過程本質上是通過模型捕獲已知數(shù)據的特征及其時空相關性，利用學習到的數(shù)據特征對缺失數(shù)據進行填補，因此，能否充分捕獲到數(shù)據中隱藏的特征及其關系是交通補全模型的關鍵。作為矩陣分解方法的高階拓展，研究者嘗試將張量分解模型用于解決交通數(shù)據補全問題，該類模型能夠有效提取數(shù)據的線性特征，并將特征儲存在小規(guī)模的因子矩陣（張量）中，補全精度提高的同時還具有可解釋性。然而，張量補全方法注重于線性特征的學習，對于具有高階、復雜的非線性相關性的數(shù)據補全能力卻十分有限。

3、為了改善上述不足，有研究者將張量分解模型拓展至神經網絡的形式，即構建神經張量網絡（tensorial?neural?networks，tnns）。tnns不僅保留了張量分解模型的優(yōu)點，而且對高維數(shù)據具有較強的表達與處理能力，在數(shù)據補全領域具有優(yōu)良表現(xiàn)。盡管如此，目前用于交通流量數(shù)據補全的神經張量網絡模型依然存在以下幾個問題：第一，現(xiàn)有神經張量網絡模型參考張量cp分解的思想，多使用二階因子矩陣形式學習數(shù)據中的潛在特征，使得模型對特征之間隱藏的高階非線性關系的捕獲能力不足，補全精度有待進一步提升；第二，現(xiàn)有神經張量網絡模型僅使用包含當前時間特征的單一向量（矩陣）對缺失數(shù)據進行補全，忽視了歷史時間特征對數(shù)據的影響，不能很好的表征交通流量隨時間變化的動態(tài)規(guī)律。

技術實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種用于交通流量數(shù)據補全的神經張量環(huán)融合方法，針對現(xiàn)有方法無法充分學習數(shù)據特征之間高階非線性關系的問題，本發(fā)明采用張量環(huán)（tr）分解思想構建一種全新的神經張量網絡，即神經張量環(huán)融合模型，該模型采用三階因子張量的形式學習數(shù)據的潛在特征，在表達與處理高階數(shù)據張量的同時可以更好的保存原始數(shù)據的結構與信息；同時，針對現(xiàn)有模型不能很好的表征交通流量隨時間變化的動態(tài)規(guī)律的問題，本發(fā)明采用卷積長短期記憶網絡（convlstm）捕獲交通數(shù)據在時間上的多維交互，使用包含歷史時間特征的多個矩陣共同補全缺失數(shù)據。

2、本發(fā)明的技術方案如下：

3、一種用于交通流量數(shù)據補全的神經張量環(huán)融合方法，包括如下步驟：

4、步驟1、獲取路網系統(tǒng)中的交通流量數(shù)據，將交通流量數(shù)據建模為三階張量；

5、步驟2、參考張量環(huán)分解思想構建神經張量環(huán)融合模型的目標函數(shù)；

6、步驟3、基于神經張量環(huán)融合模型進行交通流量數(shù)據補全。

7、進一步地，所述步驟1中，將交通流量數(shù)據建模為三階張量，其中代表路網系統(tǒng)中的節(jié)點個數(shù)，表示時間間隔，為數(shù)據集的總天數(shù)；三階張量由若干個元素組成，一個元素代表一個交通流量值，定義元素表示第天中第個時段第個節(jié)點處的交通流量值。

8、進一步地，所述步驟2中，張量環(huán)分解思想是指將一個高階張量分解成一系列三階因子張量的線性乘法，這些張量首尾相連，形成了一個環(huán)形結構；對于階的高階張量，張量環(huán)分解能夠將階的高階張量對應分解成個三階因子張量；為高階張量第階上的維度；張量環(huán)分解公式為：

9、；

10、其中，為高階張量中坐標為的元素，為高階張量第階上的元素坐標；表示求跡運算；為階數(shù)序號；是由高階張量第階上的元素坐標確定的矩陣，其取自第個因子張量在第2階上的第個切片，在張量中，階上的元素坐標即為確定取第幾個切片。

11、進一步地，所述步驟2中，神經張量環(huán)融合模型的目標函數(shù)表示為：

12、；

13、其中，、、為3個不同的三階因子張量，、、是人為規(guī)定的不同超參數(shù)，分別代表第1個因子張量、第2個因子張量、第3個因子張量的張量環(huán)秩，、、分別為高階張量第1階、第2階、第3階上的維度；表示網絡中需要訓練的所有參數(shù)；為元素坐標索引；為補全后的第天中第個時段第個節(jié)點處的交通流量值；、、為不同的正則項系數(shù)。

14、進一步地，所述步驟3中，神經張量環(huán)融合模型包括嵌入層與交互層；嵌入層通過構建3個三階因子張量去充分學習原始流量數(shù)據中的潛在特征，并利用convlstm編碼器表征交通數(shù)據的時間交互作用；在交互層中，模型通過向量化與拼接操作將包含不同特征的各個矩陣轉化為融合特征，再通過特征提取層逐步挖掘特征之間復雜的非線性相關性。

15、進一步地，所述步驟3的具體過程為：

16、步驟3.1、對每個交通流量值進行數(shù)據嵌入；具體過程為：

17、每個交通流量值中均包含節(jié)點、時段、天三項內容，分別對這三項內容進行獨熱編碼，構造節(jié)點、時段、天的獨熱向量：

18、?；

19、?；

20、?；

21、其中，為第個節(jié)點的獨熱向量；為第個時段的獨熱向量；為第天的獨熱向量；表示獨熱編碼過程；為時間規(guī)模參數(shù)；

22、通過獨熱向量，模型獲得不同階上的嵌入矩陣，各個嵌入矩陣中包含了各自的潛在特征，節(jié)點的嵌入矩陣中包含了節(jié)點特征，時段的嵌入矩陣中包含了時間特征，天的嵌入矩陣中包含了天特征；各個嵌入矩陣如下：

23、；

24、；

25、；

26、其中，為第個節(jié)點的嵌入矩陣；為第個時段的嵌入矩陣；、分別為第天、第天的嵌入矩陣；表示張量的mode-2積；

27、將前個嵌入矩陣輸入convlstm編碼器獲得第天的潛在特征：

28、；

29、；

30、其中，、、、分別為初始、第1個、第個、第個記憶細胞；、、、分別為初始、第1個、第個、第個隱藏狀態(tài)；為convlstm編碼器；為經過convlstm編碼器后得到的第天的潛在特征；為sigmoid激活函數(shù)；、分別表示映射層的權重矩陣、偏秩項；

31、步驟3.2、利用嵌入矩陣構建融合特征，具體為對嵌入矩陣中的節(jié)點特征、時段特征、天特征分別進行向量化表示，并進行拼接，得到融合特征，公式如下：

32、?；

33、?；

34、?；

35、；

36、其中，、、分別為向量化的節(jié)點特征、時段特征、天特征；表示向量化；表示拼接操作；為融合特征，包含了所有的特征元素，為設定的超參數(shù)，代表潛在特征維數(shù)；

37、步驟3.3、模型采用個特征提取模塊捕獲特征間的非線性相關性，每個特征提取模塊由全連接層與一維卷積層構成，過程表示為：

38、；

39、其中，表示特征提取模塊；、、分別表示第1個、第個、第個特征提取模塊的輸出向量；

40、步驟3.4、神經張量環(huán)融合模型將輸入全連接層，得到最終補全后的第天中第個時段第個節(jié)點處的交通流量值：

41、；

42、其中，表示全連接層；、分別為全連接層的權重矩陣、偏秩項。

43、本發(fā)明所帶來的有益技術效果：針對目前交通數(shù)據補全神經張量網絡模型存在的問題，本發(fā)明基于tr分解方法提出了一種新的神經張量環(huán)融合框架；該方法在嵌入層中使用三階因子張量的形式學習數(shù)據中隱含的不同特征，并在特征交互層中將不同特征進行融合，再利用特征提取模塊捕獲該融合向量的相關性，從而充分挖掘特征之間隱藏的高階非線性特征。另外，通過convlstm編碼器，該模型能夠更全面的學習到數(shù)據潛在的動態(tài)時間特征，從而有效地利用數(shù)據在時間上的動態(tài)相關性。