矩阵低秩张量分解_交通矩阵的分解与重构|自适应时空关联

数据丢失是交通信息系统中的一个难点和重要问题，严重制约了智能交通系统(ITS)在交通监控中的应用。现有基于矩阵/张量重构对交通流数据估计的方法中，一般是把路段进行编号，然后构建时空矩阵或张量，然而当编号路段间相关性不强时估计结果会产生较大误差。此外交通数据的噪声也会对重构的结果产生影响。基于低秩矩阵因子分解的交通数据缺失重构方法，通过分解因子矩阵阐述了交通矩阵的潜在含义，为进一步挖掘道路链接的时间演化特征和空间相似性提供了思路。

1.问题的提出

在交通数据中有很多的时空相关性。交通数据的时间相关性需要考虑交通数据在不同时间尺度下的变化特征，即平稳的变化趋势（高峰/平峰）或突变（偶发性拥堵、信控和事故导致的延误）。在空间相关性方面，路段相关性不仅存在于相邻路段之间，还存在于具有相同道路物理属性特征的非相邻路段中，包括路段的信号控制方式和道路所在位置环境（道路周围是否有交通吸引点等）属性。然而，在以往的计算方法中，这些相关性并没有得到完全的探索。如图1(a)所示，道路速度数据和交通量数据的曲线虽然都有连续平稳的时间变化趋势，但也会在几个时间段内急剧下降或上升。我们认为这种现象的出现是由于数据采集的频率、道路交通事故、城市交通网络的特点(如信号控制)、数据采集的噪声等因素造成的。大多数数据重构方法都考虑到了交通流数据平稳的时间变化趋势，而未能考虑突变的实际存在。此外，如图1(b)所示，A路的道路交通与直连道路B1、B2、B3、B4、B5、B6以及非相邻道路C1、C2、C3密切相关。这种相似性不仅体现在路网拓扑结构上，还体现在实际数据的相关性上，仅利用固定的拓扑关系来挖掘交通数据的内在规律是不够的。另外，一些工作侧重于通过计算路段之间的空间距离来进行相似性度量，但由于缺乏数据，其效果远远不能令人满意。

图1 交通数据的时空特性说明。(a)路段速度和交通量的时间序列。(b)道路间的空间关系。

针对上述不足，提出了一种新颖的交通数据重构方法——考虑时间和自适应空间约束的(TAS-LR)。该方法利用交通数据的全局特征和具有自适应时空约束的局部特征进行交通数据的分解与重构。主要创新点包括：