基于高阶张量建模的卷积感知交通数据预测方法OA

交通数据预测作为智能交通系统中的核心任务,对于提升城市运行效率和交通管理的智能化水平具有重要意义。然而,受恶劣天气、电路故障等多种因素影响,实际采集的交通数据往往存在缺失现象。在数据不完整的条件下准确预测未来交通状态是实现科学道路调度与管理的关键。交通数据通常蕴含复杂的时空相关性,高效建模这一特性对预测性能至关重要。为此,提出一种融合四阶维度保持分解与3D卷积机制的交通预测模型FDPNet。该模型以四阶维度保持分解为基础,保留原始数据的高阶结构信息,并构建5个潜在因子张量以提取深层次特征;同时引入3D卷积模块,对每个因子进行深层次的时空特征提取,进一步增强模型对复杂交通模式的建模能力。在4个真实交通数据集上的实验结果表明,FDPNet在预测准确性和计算效率之间实现了良好平衡,整体性能优于多种主流基准模型。