基于归一化时空因子自回归的高效缺失交通流插补以提升交通数据可靠性

《Neurocomputing》:Efficient Missing Traffic Flow Imputation via Normalized Spatial-Temporal Factor Autoregression for Improving the Traffic Data Reliability

【字体: 大 中 小 】 时间:2026年05月16日 来源:Neurocomputing 6.5

编辑推荐:

  缺失交通流数据对智能交通系统(Intelligent Transportation Systems, ITS)构成重大挑战。其通常由电力中断、传感器故障或网络拥塞导致,削弱了实时决策的数据可靠性。尽管现有插补方法通过复杂且参数繁重的框架实现了高精度,但存在计算

  
缺失交通流数据对智能交通系统(Intelligent Transportation Systems, ITS)构成重大挑战。其通常由电力中断、传感器故障或网络拥塞导致,削弱了实时决策的数据可靠性。尽管现有插补方法通过复杂且参数繁重的框架实现了高精度,但存在计算时间长的问题,即未能有效平衡精度与效率。城市交通网络持续演化,意味着交通流插补模型需定期重新训练与维护以确保ITS的长期平稳运行。高效模型设计可降低系统停机时间与维护时间。此外,高效模型设计策略使ITS减少对其高成本硬件的依赖,从而实现低成本交通管理。因此,研究人员提出归一化时空因子自回归(Normalized Spatial-Temporal Factor Autoregression, NSTFA)模型用于高效缺失交通流插补。NSTFA首先将不完整交通数据表示为三阶张量,并应用塔克分解(Tucker Decomposition)提取低秩核心张量及时空因子矩阵;继而施加归一化以降低计算复杂度并防止过拟合;将时空自回归过程整合至因子矩阵,直接建模单向时间依赖与多向空间效应;最后通过逆塔克分解重建完整张量。NSTFA适用于基于网格的欧几里得数据,并经由多重延迟嵌入变换(Multiple Delay Embedding Transform, MDT)扩展至非欧几里得图结构数据。在北京四个真实数据集上的实验表明,与基线相比,NSTFA将平均绝对误差(Mean Absolute Error, MAE)降低11.32%、均方根误差(Root Mean Square Error, RMSE)降低10.65%、计算时间降低95.15%,且在缺失率高达75%时性能稳定。
交通流能够描述道路上车辆的运行状态及变化规律,主要通过交通流量、车速和道路占有率来量化表达。数据采集设备故障及特定区域或道路的供电中断可能导致采集与传输过程中交通流数据缺失。交通管理高度依赖完整的交通流数据,缺失数据将直接影响路网状态评估与交通控制的可靠性。为提升交通流数据的完整性与可靠性,进而为交通管理提供可靠数据支撑,对缺失值进行插补至关重要。

针对不同缺失数据场景,通常需选择不同的建模方法。极端天气条件可能干扰特定区域或路段检测设备的正常运行;突发交通事故或供电中断等异常事件亦可能造成局部区域或路段的数据采集中断。此时,亟需基于网格的欧几里得数据结构建模方法进行插补。另一方面,视频检测器、地磁线圈、微波雷达等道路传感器因长期暴露于自然环境而老化、损坏或校准偏差;通信网络中断、网络拥塞或带宽限制等问题可能导致丢包。此时,亟需基于交通节点的非欧几里得数据结构建模方法进行插补。缺失交通流插补不仅可为实时交通信号控制与动态路径诱导提供高质量数据,还能显著提升交通流预测精度,有助于避免因数据缺失导致的决策延迟,从而优化路网运行效率与出行服务质量。实践表明,有效的交通流插补策略可将ITS对拥堵事件的识别准确率提升25%以上,为智慧城市建设提供可靠决策依据。

现有研究通过大规模参数和复杂结构的建模框架开展交通流插补并取得一定成效。Chen等基于三阶张量结构提出自回归缺失交通流插补模型,但该研究仅针对特定区域的缺失时间序列交通流数据。为处理多交互区域缺失时空交通流数据,其引入融合位置信息、空间结构和时间切片的三阶张量结构,采用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)和随机森林优化损失函数并更新参数,有效捕获了时空交通流的时间依赖与空间相关特征。在此基础上,其进一步开发可扩展张量模型,整合交通位置、时间切片和日模式的多维时间结构,大规模插补缺失时空交通流数据。然而,这些张量模型虽利用了不同区域和时间切片的空间与时间关系,但未能准确刻画交互区域间的多向效应(某一空间单元受相邻单元影响并影响相邻单元)及时间维度的单向效应(历史数据可影响未来数据,反之不可)。因此,这些张量模型在插补精度上可能滞后于某些深度时空模型。Wang等整合多种交通流模式描述数据变化与缺失模式,提出结合周期性与趋势性的树突神经网络。Zhang等引入融合注意力机制、自编码器和生成对抗网络(Generative Adversarial Networks, GANs)的自注意力生成对抗插补网络(SA-GAIN),其自注意力机制帮助生成器和判别器评估节点间相关性并做出决策。Yuan等设计基于残差结构的时空GAN(STGAN)框架,通过生成损失和中心损失函数最小化插补误差。

尽管基于张量的方法擅长捕获时空相关性,融合GAN和注意力机制的深度时空模型进一步提升了精度,但这些参数密集、结构复杂的模型通常计算时间较长,成为高效交通插补应用的显著瓶颈。在保持高精度的同时降低计算时间开销的方法鲜有深入讨论。该研究的意义主要在于两方面:其一,城市交通网络动态变化,交通流插补模型需定期重新训练与维护以确保ITS的鲁棒性和长期稳定运行,高效模型设计可降低系统停机时间和维护时间;其二,高效的模型设计和优化策略使ITS减少对其高成本硬件的依赖,从而实现低成本高效的交通管理。精度与效率的平衡可决定ITS的实用性和可靠性。

研究人员通过精度和效率两项指标评估现有研究的不足,聚焦"精度-速度"平衡这一核心问题,探索高效可靠模型以解决现有研究中的具体问题。当交通流数据维度较高时,基于自回归过程的统计学习模型处理高维数据可能产生过度参数化,导致模型过拟合训练数据中的噪声而非实际波动趋势,增加训练难度和计算时间成本。传统机器学习方法模型容量不足且依赖人工特征工程,难以直接建模包含海量样本和大量噪声的复杂非线性交通流数据。深度时空模型通过自动学习特征和端到端训练更适合处理此类高维大规模数据。然而,为实现高精度,当前深度时空网络通常基于多层框架和复杂参数对大规模网格型交通流数据进行建模,这可能降低计算效率。在某些应用场景中,以大量计算时间开销换取精度提升是不合理且不现实的。

为此,研究人员提出归一化时空因子自回归(NSTFA)模型用于缺失交通流的高效插补以提升交通数据可靠性,并通过四个真实交通流数据集验证其性能。主要贡献如下:NSTFA直接对塔克分解获得的时空因子矩阵进行时空自回归过程建模,而非对原始交通流张量数据进行建模,该设计构成模型实现"精度-速度"平衡的核心机制,通过因子矩阵的低维表示保留关键时空特征;NSTFA模型对因子矩阵进行归一化以防止过拟合,确保高缺失率下的高插补精度,时空自回归过程在这些归一化因子矩阵上直接建模单向时间依赖和多向空间效应;NSTFA模型的高效性可降低ITS的停机时间和维护时间,满足定期重新训练和维护的需求,确保ITS的长期稳定运行,其设计和优化策略使ITS减少对高成本硬件的依赖,实现低成本高效交通管理;此外,NSTFA扩展至基于网格的欧几里得空间数据应用,并经由MDT处理非欧几里得图结构数据,拓宽其在ITS任务中的适用性。

研究人员开展研究的技术方法主要包括以下方面。数据层面,采用Zhang等收集的北京四个真实交通流数据集(BJ-I、BJ-2、BJ-3和BJ-4),覆盖北京市主城区研究区域,沿地理经纬度均分为1024(32×32)个方形网格级子区域,数据格式均为t×32×32的三维形状。核心方法上,NSTFA首先将缺失交通流数据抽象表示为三阶张量X∈RT×long×lat,其中T为时间切片最大值,long和lat分别对应地理经度和维度方向;继而应用塔克分解提取低秩核心张量和时空因子矩阵;随后对因子矩阵施加归一化以降低计算复杂度并防止过拟合;将时空自回归过程整合至因子矩阵,直接建模单向时间依赖与多向空间效应;最后通过逆塔克分解重建完整张量。对于非欧几里得图结构数据,采用多重延迟嵌入变换(MDT)进行扩展处理。评价指标方面,采用平均绝对误差(MAE)、均方根误差(RMSE)和计算时间(CT)评估模型性能。

实验结果部分,定量分析方面,表4至表7分别呈现了在BJ-I、BJ-II、BJ-III和BJ-IV数据集上,NSTFA模型与基线在不同缺失场景下的MAE/RMSE/CT值。每个单元格中三个数值分别对应MAE、RMSE和CT,百分比表示缺失率,R和C分别代表随机缺失值和连续缺失值。结果表明NSTFA在精度和效率上均优于基线方法。参数敏感性分析方面,研究人员探究了塔克分解过程中核心张量秩对NSTFA模型插补性能的影响。实验结果显示,当核心张量秩设为8时,NSTFA模型的插补误差最小;当秩设为5时,NSTFA的CT值最小。为平衡精度与效率,研究人员选择了适当的秩值。

在讨论与结论部分,研究人员指出为提升交通数据可靠性,缺失交通流插补任务至关重要。所提出的基于张量学习框架的高效NSTFA模型解决了当前研究中"精度-速度"平衡问题,从而实现低成本高效交通管理。NSTFA模型中基于塔克分解的张量学习框架能够以低损失高效分解缺失交通流张量数据。为进一步降低计算复杂度,研究人员对因子矩阵进行归一化处理,并直接在其上构建时空自回归过程以捕获关键空间和时间动态。该研究为智能交通系统中缺失交通流数据的高效可靠插补提供了新思路,所提出的NSTFA模型在保持高精度的同时显著降低了计算时间,适用于城市交通网络的实时应用与长期维护需求。未来工作可进一步探索更高效的优化算法以及模型在更多复杂交通场景中的适应性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号