技術(shù)特征：

1.一種用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，所述步驟1中，將交通流量數(shù)據(jù)建模為三階張量，其中代表路網(wǎng)系統(tǒng)中的節(jié)點個數(shù)，表示時間間隔，為數(shù)據(jù)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。

3.根據(jù)權(quán)利要求2所述用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，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(jié)構(gòu)；對于階的高階張量，張量環(huán)分解能夠?qū)㈦A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：

4.根據(jù)權(quán)利要求3所述用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，所述步驟2中，神經(jīng)張量環(huán)融合模型的目標函數(shù)表示為：

5.根據(jù)權(quán)利要求4所述用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，所述步驟3中，神經(jīng)張量環(huán)融合模型包括嵌入層與交互層；嵌入層通過構(gòu)建3個三階因子張量去充分學習原始流量數(shù)據(jù)中的潛在特征，并利用convlstm編碼器表征交通數(shù)據(jù)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(zhuǎn)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。

6.根據(jù)權(quán)利要求5所述用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，其特征在于，所述步驟3的具體過程為：

技術(shù)總結(jié)
本發(fā)明公開了一種用于交通流量數(shù)據(jù)補全的神經(jīng)張量環(huán)融合方法，屬于交通數(shù)據(jù)補全領域，包括如下步驟：步驟1、獲取路網(wǎng)系統(tǒng)中的交通流量數(shù)據(jù)，將交通流量數(shù)據(jù)建模為三階張量；步驟2、參考張量環(huán)分解思想構(gòu)建神經(jīng)張量環(huán)融合模型的目標函數(shù)；步驟3、基于神經(jīng)張量環(huán)融合模型進行交通流量數(shù)據(jù)補全。本發(fā)明采用張量環(huán)分解思想構(gòu)建了神經(jīng)張量環(huán)融合模型，采用三階因子張量的形式學習數(shù)據(jù)的潛在特征，在表達與處理高階數(shù)據(jù)張量的同時可以更好的保存原始數(shù)據(jù)的結(jié)構(gòu)與信息；同時，采用卷積長短期記憶網(wǎng)絡捕獲交通數(shù)據(jù)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(jù)。

技術(shù)研發(fā)人員：孫秋霞,田潤智,郝華麗,李勍,陳敬雨,燕英
受保護的技術(shù)使用者：山東科技大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6