一种基于FNN的张量异质集成车联网缺失数据估计方法

一种基于FNN的张量异质集成车联网缺失数据估计方法。车联网通过大量的传感器收集的数据来获得交通状况信息。然而数据缺失、异常数据等低质问题一直严重制约着车联网的发展和应用。FNNTEL方法针对大型路网数据缺失、低质异常问题，对时空多维数据集中进行鲁棒的缺失数据归算，采用张量分解数据采样新策略；首次将异质集成思想引入到交通数据归算建模中，构建张量分解的异质集成模型，既能保留交通数据的多维性，又能提取底层的多模式关联；将模糊神经网络对模型进行优化。与近年来较为先进的BGCP、HTD、XalRTC等算法相比，FNNTEL方法提高了数据缺失重构能力，降低了数据的插补误差，有效提高归算精度。