[发明专利]一种基于低秩的多源交通数据的补全方法

说明书

本发明公开了一种基于低秩的多源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。该方法包括步骤：(1)从多源交通数据中构造数据矩阵；(2)分别计算每种交通数据矩阵的低秩表示；(3)约束每个矩阵的低秩表示彼此之间相似。

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低秩的多源交通数据的补全方法。

背景技术

近年来，随着城市化进程的不断推进，城市路网建设的速度已无法满足城市汽车保有量激增的需求，交通拥堵现象日趋严重。但是由于环境及经济的原因，人们很难再通过简单的修建或拓宽公路的方法来解决城市交通拥堵问题。因此，如何优化已经存在的交通路网、引导人们的出行路线，在控制交通拥堵问题中起到了越来越关键的作用。目前，智能运输系统(ITS)在优化交通路网的工作中扮演了重要的角色。为了能够分析和避免交通拥堵现象，ITS需要大量完整、准确、实时的交通数据。我国当前已在主要的交通路段安装了大量不同类型的检测器，如感应线圈检测器,微波传感器,视频检测器等,以便给交通拥堵的分析提供数据基础。这些检测器可以采集到多种类型的交通流数据，如速度,占有率,交通流量等。

不幸的是，由于检测器自身硬件故障、数据传输失败等原因，我们得到的交通数据往往会有不同程度的数据丢失或者噪声。这些缺失的交通数据往往会严重制约ITS的分析性能。因此，获取完整的交通观测数据已经成为亟待解决的重要问题。

机器学习算法在一些矩阵补全应用上取得的巨大成功吸引了我们的目光，其挖掘数据中隐含信息的能力为交通数据补全指明了新的研究方向。传统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，因此秩最小化(低秩)被用作约束重构数据来恢复丢失部分的数据。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)。所以，基于秩最小化的矩阵填充算法适用于具有时空相关性的交通数据。最近,一种基于张量表示和秩最小化约束的矩阵补全方法被应用于道路平均速度数据补全的应用中。该方法将单个探测器在多天、不同时段采集到的道路平均速度数据表示为张量χ∈R^l×m×n，其中l表示采集交通数据的天数，m表示一天中采集交通数据的小时数，n表示每小时采集的交通数据的个数。考虑到道路平均速度数据在一天中的连续时间段内呈现出周期性的变化，以及在多天的相同时间段表现出历史相似性，即时间相关性。因此可以通过对重构的张量数据作低秩约束来恢复出丢失数据。尽管这种方法取得了非常好的实验效果，但是它的研究对象只是单个探测器针对数据的时间相关性，没有考虑多个探测器构造的路网间的空间相关性。另一方面，直接对重构样本进行低秩约束，使得我们很难根据样本的特性为模型加入更多的信息。

由于采集设备的硬件故障或通信故障，通常观测到的交通数据往往会有不同程度的数据丢失或者噪声。这些缺失的交通数据往往会严重制约ITS的分析性能。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：克服现有技术的不足，提供一种基于低秩的多源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：这种基于低秩的多源交通数据的补全方法，该方法包括以下步骤：

(1)从多源交通数据中构造数据矩阵；

(2)分别计算每种交通数据矩阵的低秩表示；

(3)约束每个矩阵的低秩表示彼此之间相似。