發(fā)布時間：2020-03-24 15:06

【摘要】：作為智慧城市的重要組成部分,智慧交通關注如何將大數(shù)據(jù),物聯(lián)網(wǎng),云計算與人工智能等新興技術相結合,打造更加高效敏捷的交通運輸系統(tǒng),解決目前交通資源需求大幅增加,交通資源供需矛盾日益突出等問題。交通數(shù)據(jù),是智慧交通建設的數(shù)據(jù)基礎。但是由于惡劣天氣和設備損壞等原因,在交通數(shù)據(jù)的采集過程中,經(jīng)常會出現(xiàn)數(shù)據(jù)缺失的情況,這嚴重制約了智慧交通建設的進展。近年來,交通數(shù)據(jù)恢復成為智慧交通領域的一個研究熱點。本文基于張量填充(Tensor Completion)和張量矩陣關聯(lián)分析技術(Coupled Matrix and Tensor Factorizations,CMTF),針對存在于交通數(shù)據(jù)恢復領域的兩個問題,著重研究:(1)交通數(shù)據(jù)恢復中的數(shù)據(jù)建�？蚣�,并在此基礎上研究不同建模方式對數(shù)據(jù)恢復方法精度的影響;(2)適用于數(shù)據(jù)極端缺失情況的交通數(shù)據(jù)恢復模型。本文的主要貢獻包括:詳細論述了交通數(shù)據(jù)恢復問題的研究背景、研究意義以及國內(nèi)外研究現(xiàn)狀,并對張量理論和交通數(shù)據(jù)恢復的基本概念,相關知識與技術進行了歸納和總結。針對在交通數(shù)據(jù)恢復中,如何識別相關程度高的特征并進行數(shù)據(jù)建模的問題,提出了一種基于交通流數(shù)據(jù)的張量建�？蚣堋２⒃诖嘶A上,結合真實數(shù)據(jù),從時間、空間兩個維度系統(tǒng)探討了在基于張量的交通數(shù)據(jù)恢復方法中,不同的數(shù)據(jù)建模方法對缺失數(shù)據(jù)恢復精度的影響。揭示了合理的利用交通數(shù)據(jù)的時空特征進行數(shù)據(jù)建模,能夠顯著提升數(shù)據(jù)恢復的精度。針對已有交通數(shù)據(jù)恢復方法在極端缺失條件下恢復精度急劇下降的問題,提出了基于多源數(shù)據(jù)關聯(lián)分析的交通數(shù)據(jù)恢復模型,并結合真實出租車GPS定位數(shù)據(jù)和興趣點數(shù)據(jù)(Point of Interesting,POI)進行了驗證。實驗結果表明,本文提出的交通數(shù)據(jù)恢復模型不僅能夠顯著提升缺失數(shù)據(jù)的恢復精度,并且在數(shù)據(jù)極端缺失的情況下仍然能夠保持良好的穩(wěn)定性。
【圖文】：

基于張量理論的機器學習方法逐漸引起國內(nèi)外研究者的廣泛關注。逡逑在Ｗｅｂ邋ｏｆ邋ｓｃｉｅｎｃｅ數(shù)據(jù)庫中，以ｔｅｎｓｏｒ為標題，ｍａｃｈｉｎｅ邋ｌｅａｒｎｉｎｇ為主題進行關聯(lián)逡逑檢索，截止到２０１８年６月共有３４９項檢索結果。如圖１－２所示。逡逑／邋．逡逑ｅｃ－邐Ｊ逡逑ｙ邋＂逡逑ｆ邐ｘ邐■逡逑ＪＯ－邐－逡逑？“邐／Ｘ／逡逑１０邋＊逡逑ｔ邋邐邐—■逡逑９３０５邐？０Ｍ邋ｆａ？邋ｒｖｍ邋９０ＣＳ邋？？０邋ｔｅｕ邋９０ｔ９邋９０ｔｉ邋Ｍ１４邋？ｔｓ邋？０？＃邐？？７逡逑年份逡逑圖１－２邋Ｗｅｂ邋ｏｆ邋ｓｃｉｅｎｃｅ檢索結果逡逑從圖１－２中可以看出，，近五年來關于基于張量的機器學習方法的研宄論文數(shù)量逡逑迅速增長。目前，已經(jīng)被廣泛應用的基于張量理論的機器學習方法包括張量分解逡逑４逡逑

矩陣Ｘ邐按列展開得到向量＆逡逑圖１－１圖像Ｘ在展開的構成中，結構信息丟失逡逑在此背景下，２００５年，Ｔａｏ等人在《Ｓｕｐｅｒｖｉｓｅｄ邋Ｔｅｎｓｏｒ邋Ｌｅａｒｎｉｎｇ》一文丨Ｍ］中提逡逑出了基于張量理論的機器學習方法。與傳統(tǒng)的機器學習方法相比，基于張量理論的逡逑機器學習方法使用張量表示和處理高維數(shù)據(jù)，能夠充分利用高維數(shù)據(jù)的空間結構逡逑信息，減少了機器學習方法中參數(shù)的數(shù)量，有效避免維度災難，過擬合等問題，同逡逑時，Ｔａｏ指出，傳統(tǒng)的機器學習方法均可以被推廣到張量空間。逡逑最近幾年，基于張量理論的機器學習方法逐漸引起國內(nèi)外研究者的廣泛關注。逡逑在Ｗｅｂ邋ｏｆ邋ｓｃｉｅｎｃｅ數(shù)據(jù)庫中，以ｔｅｎｓｏｒ為標題，ｍａｃｈｉｎｅ邋ｌｅａｒｎｉｎｇ為主題進行關聯(lián)逡逑檢索
【學位授予單位】：云南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP309.3;U491

【參考文獻】

相關期刊論文 前1條

1 徐健銳;李星毅;施化吉;;處理缺失數(shù)據(jù)的短時交通流預測模型[J];計算機應用;2010年04期

相關博士學位論文 前1條

1 趙新斌;基于張量數(shù)據(jù)的分類方法與應用[D];中國農(nóng)業(yè)大學;2015年

本文編號：2598499