基于时空特征驱动稀疏学习的路网交通流缺失值恢复研究

The recovery of real traffic state from missing and noisy traffic flow data is a fundamental problem in intelligent transportation system construction and information processing. This project focuses on road network traffic flow and utilizes sparse machine learning as main tools. In order to achieve robust and effective recovery of missing values, this project proposes a multi-stage and iterative strategy from the global to local viewpoint, based on deep analysis of spatial and temporal features of data. The main contents include the following four parts. (1) It investigates robust low-rank recovery model and algorithm based on nonconvex loss, so as to reduce the influence of non-Gaussian noises in traffic flow; (2) Based on network property and multi-periodic property of data, it explores the graph-based model and construction method for characterizing multi-pattern spatial and temporal correlation of road network traffic flow; (3) Based on the heterogeneousity of correlation and evolutionary dynamics of data, it researches unsupervised clustering algorithm for traffic flow and temporally regularized local low-rank recovery model; (4) From the viewpoint of system, it researches sparse ensemble learning of multiple recovery results and global optimization approach for parameters. This project is not only helpful for revealing complex interaction mechanism of traffic flow, but also can promote the deep integration and mutual advancement of sparse learning and intelligent traffic data analysis.

从缺失和噪声交通流数据中恢复真实交通状态是构建智能交通系统、实现智能交通信息处理的基础问题之一。本项目以路网交通流为研究对象，以稀疏机器学习方法为主要工具，在深入分析数据时空特征的基础上，提出多阶段、从整体到局部、迭代优化的策略，通过对主要影响因素进行细致的分析和建模，实现缺失值的鲁棒、有效恢复。主要内容包括：（1）研究基于非凸鲁棒损失的低秩恢复模型及算法，以减小交通流非高斯噪声对恢复性能的影响；（2）以数据的网络性和多周期性为基础，研究路网交通流多模式时空相关性的图论模型表示和构建方法；（3）以数据关联关系的异质性和演化动态性为基础，研究交通流无监督聚类方法和基于时序正则化的局部低秩恢复模型及算法；（4）从系统角度，研究缺失值多重恢复结果的稀疏集成学习和参数全局优化方法。本项目的研究不仅有助于揭示路网交通流的复杂相互作用机理，而且能推动稀疏学习方法与智能交通数据分析的深入融合与相互促进。

完备的路网交通流数据是构建智能交通系统的重要基础。然而，由于传感器故障、通信网络等各种因素的影响，路网交通流数据存在大量缺失值或噪声样本，缺失和噪声数据会显著影响交通状态预测模型的精度，极大限制机器学习算法的应用。针对路网交通流数据中的缺失值恢复问题，本项目在深入分析数据的网络性、动态性、异质性、周期性等性质的基础上，通过引入稀疏机器学习方法，提出了一系列高效、精确的缺失值恢复算法。本课题主要内容包括：（1）从路网交通数据的周期性角度出发，设计了多种基于样本自表示的缺失值恢复模型，将每个样本表示为其它样本的线性或非线性组合，并通过引入恰当的正则化技术限制组合系数的大小，提出基于交替方向乘子框架的优化算法，通过联合求解缺失值和组合系数问题实现精确恢复；（2）考虑到低秩模型只刻画了交通流数据的整体特征，而忽略了内在复杂结构，提出多种改进方法。通过聚类算法自适应挖掘数据的内部特征，并融合集成学习提升恢复性能；将样本自表示与低秩张量模型相结合，同时利用了数据的整体低秩特征和局部结构，显著提升了缺失值恢复的性能；将数据的局部相似性结构以图的形式引入低秩矩阵模型；（3）在完备交通数据的基础上，研究了一些典型应用。提出改进孪生支持向量机模型，并应用到交通事故预测；将最小二乘支持向量机与集成学习相融合实现路网交通流预测；从图像数据构建基于组件特征与多注意力融合的车辆重识别方法；搭建基于时空动态注意力网络的车辆轨迹预测模型，有效提升了长时预测效果；针对车联网应用，提出基于贝叶斯推断的协同感知目标跟踪方法，有效提升目标跟踪的准确性和鲁棒性。本项目涉及到智能交通、机器学习、模式识别、图像处理等相关学科的理论技术，所研究的理论与方法具有很好的实际应用前景。