[发明专利]一种基于自适应时空约束低秩算法的路网交通数据的补全方法

说明书

本发明公开了一种基于自适应时空约束低秩算法的路网交通数据的补全方法，其能够使得补全的数据的精准度在数据丢失率较大时大幅提高，尤其对不同时空丢失模式下的交通数据修复具有很好的应用效果。该方法包括步骤：(1)构造路网交通数据的时空数据矩阵；(2)对时空数据矩阵进行因子矩阵分解，引入无约束低秩修复方法；(3)加入交通数据的时序变化特性和空间相似特性作为时空约束项，更精确的对缺失点进行补全。

技术领域

本发明属于图像处理和智能交通的技术领域，具体地涉及一种基于自适应时空约束低秩算法的路网交通数据的补全方法。

背景技术

交通状态信息对于出行者及交通监控中心非常重要，尤其是在规避和缓解交通拥堵方面。通过对交通状态信息的获知，出行者可以优化自身出行线路并缩短出行时间，交通监控中心能够提供给出行者有效的交通引导。与此同时，多媒体服务和互联网友好型的便携设备的出现大大的促进了交通网络的不断发展，如感应线圈检测器、微波检测器、视频监测摄像头和GPS浮动车等。一般静态探测器比如地下感应线圈和监控摄像头已经广泛地使用于大多城市中，用以收集并提供交通信息，像北京市已经布置超过20000的环形线圈检测器。而动态的浮动车在交通信息的采集方面更为高效，主要得益于其车辆的机动性和GPS设备的普用性，且避免了在城市每条道路上布置静态检测器的高成本。通过以上不同类型的交通检测器，智能交通系统可以进行多种不同类型交通信息(流量、速度、密度等)的实时收集和分析。

然而，现代交通网络系统的不断扩展，数据收集要求更为详细，而以上所提及的这些数据采集设备均存在一定程度的数据缺失问题。具体来说，静态检测器一般会因硬件设备故障、天气影响、传输错误和传感器噪声等原因产生偶发异常和缺失，浮动车采集数据则常因车辆少、分布不均和轨迹覆盖率不全面等原因导致记录有限。因此也造成了一定程度的数据空缺问题，这严重影响了智能交通系统的分析能力。因此在处理交通问题前，我们必须进行有效地交通数据缺失补全。

当前存在很多数据插值算法用于交通数据的缺失修复，传统方法包括历史插值、样条/回归插值法，他们大多以数据向量的形式进行插值，近年来出现了以矩阵形式提高对缺失数据补全的方法，一些研究者提出了基于低秩的方法。经典的矩阵补全任务是指依据一个矩阵中的部分观测数据来预测其丢失的数据，它广泛的应用于图像恢复、图像去噪等。这些数据的内部结构具有很强的全局相关性，因此，一些研究人员开始了对数据样本集进行整体约束的研究，如低秩约束或核范数。低秩约束作为一种较为特殊的稀疏约束已被J.Wright、Y.Ma等人应用在矩阵补全模型中并取得了非常好的实验效果，该模型要求所研究的带有数据缺失的矩阵具有低秩性，通过对矩阵中的元素经过某种线性(非线性)运算后得到的值来对矩阵进行补全。然而，传统的低秩约束算法是对重构样本全局做低秩约束，缺乏局部样本间的联系，主要指交通网络的时空特征，比如路网拓扑，数据时间序列特征，故导致其在对交通数据的重构方面获取的精度有限，具体表现在当数据缺失率较高时，恢复精度差。

事实上，尽管探测器采集到的交通数据是离散的，但从空间和时间的角度来看，同一时间段内的相邻路段采集到的交通数据是相似的(空间相关性)，同一路段的连续时间段内采集到的交通数据是相似的(时间相关性)。时间相关性主要需考虑小时之间关系、时段之间的关系以及变化特点，比如平滑的或突变的，而空间相关性，不仅仅表现在相邻的路段之间，而且存在于非直接相邻路段间，它们具有相同的道路物理属性特征，信号控制设置和区域土地属性等。但是这些相关性在以前的插补方法中并没有充分或同时考虑到。因此，我们在利用交通数据分析交通问题前，需要一种能够尽可能准确的数据补全算法来将交通数据中的丢失数据进行补全。

发明内容

本发明的技术解决问题是：克服现有交通数据补全技术的不足，提供一种基于自适应时空约束低秩算法的路网交通数据的补全方法，其能够使得补全的数据的精准度在数据丢失率较大时大幅提高。

本发明的技术解决方案是：这种基于自适应时空约束低秩算法的路网交通数据的补全方法，该方法包括以下步骤：