申请/专利权人：福建师范大学

申请日：2022-06-02

公开（公告）日：2022-09-20

公开（公告）号：CN115083151A

主分类号：G08G1/01

分类号：G08G1/01;G06F16/215;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明公开基于Hessian正则时空低秩约束的交通数据矩阵填充方法，获取不完整的交通数据，建立交通数据矩阵；建立基于因子矩阵分解的低秩矩阵补全模型；通过分析交通数据的时序变化特性和Hessian正则空间相似特性，对所述基于因子矩阵分解的低秩矩阵补全模型进行优化；进行加入时空约束的低秩矩阵补全，恢复出原始交通数据。本发明将一种基于因子矩阵分解的低秩矩阵补全方法应用于交通数据恢复领域，并充分挖掘交通数据的时空相关性和低秩特性，提高了恢复完整交通数据的精度，尤其对不同缺失模式下的交通数据修复具有很好的应用效果。

主权项：1.基于Hessian正则时空低秩约束的交通数据矩阵填充方法，其特征在于：其包括以下步骤：步骤S1：将待数据恢复区域的交通状态数据划分形成不完整的交通状态数据，并基于不完整的交通状态数据建立完整交通状态数据矩阵的关系式；PΩX＝M其中，PΩ·表示线性映射，Ω为所获取到的交通状态数据子集，为含有噪声和数据缺失的待补全的交通数据矩阵；m为路段个数，n为连续的时间间隔数，m,n为变量M的维度；步骤S2：建立基于因子矩阵分解的低秩矩阵补全模型，模型的目标函数及约束条件如下： 其中，U和V是将待求解的矩阵M分解成两个较小的矩阵，为矩阵的重构误差，为核范数的线性分解，‖·‖F表示矩阵的Frobenius范数；步骤S3：通过分析交通状态数据的时序变化特性和Hessian正则空间相似特性，对基于因子矩阵分解的低秩矩阵补全模型进行优化，对应的更新后的目标函数如下： s.t.U≥0,V≥0,H≥01其中，U，V为重构矩阵分解后的空间因子矩阵和时间因子矩阵，为核范数的线性分解，T＝Toeplitz0,1,2,-1为托普利兹矩阵，‖VT‖1为时间的二阶差分误差项，H为Hessian矩阵，trUTHU为近邻空间相似性度量约束项，λ1，λ2，λ3分别为各项预设数量级调整参数；步骤S4：通过使用增广拉格朗日公式对更新后的目标函数进行求解，以恢复出原始交通状态数据。

全文数据：

权利要求：

百度查询： 福建师范大学 基于Hessian正则时空低秩约束的交通数据矩阵填充方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD