一种基于低秩张量动态模式分解的数据缺失情况下交通预测方法

摘要

本发明提出了一种基于低秩张量动态模式分解的数据缺失情况下交通预测方法。首先引入动态模式分解的张量形式，将每一天时间序列的动态变化表示成由不同状态转移矩阵组成的动态张量，用于捕捉交通数据中的动态特性。然后引入掩码算子，约束重构出来的观测张量与带有缺失数据的原始观测张量在数据未缺失部分误差尽可能小。之后考虑到交通数据的时间周期性和空间相似性，在动态张量上施加全局的低秩约束和时间约束。最后对重构的观测张量进行求解，得到预测结果。实验证明，在数据缺失的影响下，本发明提出的方法能够有效实现交通预测任务。