基于张量分解的救援车辆行程时间预测模型

摘要

救援车辆在城市道路中行驶时具有优先通行权，针对救援车辆的行驶特性预测其在城市道路网络中的行程时间为救援活动开展提供支持，能有效提高救援效率。考虑城市道路交通拥堵状态构建基于张量分解的救援车辆行程时间预测模型（rescue vehicles travel time prediction model based on tensor decomposition,RTPT），该模型框架集成了融合拥堵状态的张量分解算法、救援车辆行驶特性挖掘方法和救援车辆行程时间预测算法。融合拥堵状态的张量分解算法利用车辆轨迹数据构建城市道路行程时间张量，并采用融合拥堵状态的Tucker张量分解算法补全缺失数据；救援车辆行驶特性挖掘方法通过挖掘救援车辆与社会车辆的行驶模式的关联性，构建救援车辆在城市道路路网中的行程时间张量；救援车辆行程时间预测算法构建拥堵概率张量，以道路拥堵概率为权重，预测救援车辆在不同数据稀疏度和不同时间段下的行程时间。将构建的RTPT模型与其他模型进行对比验证模型性能，实验结果表明：RTPT的平均绝对误差与基于驾驶人的道路行程时间估计方法（driver-based road trip time estimation,DRTE）、移动平均法（moving average,MA）、历史平均法（historical average,HA）相比平均分别降低了32.44%、70.66%、74.50%;RTPT的均方根误差和DRTE、MA、HA相比平均分别降低了24.28%、69.73%、74.67%,RTPT在预测范围和数据稀疏性的所有情况下都表现出最小的误差。随着数据稀疏度和预测时段的增加，RTPT的预测误差范围变动基本保持在1 s以内，显示出其良好的稳定性与鲁棒性。RTPT利用拥堵概率张量更好地表述救援车辆行驶特殊性，涵盖了交通路网信息，从而提高了预测精度。

关键词

应急交通 / 救援车辆 / 行程时间预测模型 / 张量分解 / 轨迹数据

基金资助

国家重点研发计划项目（2022YFC3803703）; 湖南省重点研发计划项目（2023SK2052）; 湖南省教育厅科学研究优秀青年项目（22B0325）; 湖南省自然科学基金青年基金项目（2024JJ6038）资助