首页|基于张量分解理论的车道级交通流数据修复算法

基于张量分解理论的车道级交通流数据修复算法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为减少数据缺失对交通流量预测、高级驾驶辅助、交通状态估计等应用的影响,提升交通流数据质量,提出一种基于自适应秩Tucker分解的插补方法(ARTDI)用于多车道交通流数据修复.将多车道交通流数据表征为张量模式,以充分利用交通流时空特性.通过张量Tucker分解构建修复目标函数,并利用动量梯度下降法求解.本文采用北京快速路多断面车道交通流速度数据构建完全随机缺失、随机缺失、混合缺失3种缺失模式进行算法验证,实验结果显示,ARTDI算法在3种缺失类型下对3个断面数据修复的平均绝对百分误差(MAPE)分别为11.67％、12.03％、11.89％.此外,随着数据缺失率的增长,ARTDI模型在不同缺失模式下的修复精度均优于对比模型,并且修复误差无显著增长,体现出ARTDI模型良好的稳定性和适用性.
Data imputation approach for lane⁃scale traffic flow based on tensor decomposition theory

陆文琦、周天、谷远利、芮一康、冉斌

展开 >

东南大学 交通学院,南京 211189

北京交通大学 综合交通运输大数据应用技术行业重点实验室,北京100044

交通运输系统工程 数据修复 张量分解理论 Tucker分解 车道交通流

419713422019YFB16001002242021Y10322YBPY2161

2021

10.13229/j.cnki.jdxbgxb20200535

吉林大学学报(工学版)
吉林大学

吉林大学学报(工学版)

CSTPCDCSCD北大核心
影响因子：0.792
ISSN：1671-5497
年,卷(期)：2021.51(5)
  • 4
  • 5