1.一种用于交通流量数据补全的神经张量环融合方法，其特征在于，包括如下步骤：步骤1、获取路网系统中的交通流量数据，将交通流量数据建模为三阶张量；

步骤2、参考张量环分解思想构建神经张量环融合模型的目标函数；

步骤3、基于神经张量环融合模型进行交通流量数据补全；具体过程为：步骤3.1、对每个交通流量值进行数据嵌入；具体过程为：每个交通流量值中均包含节点、时段、天三项内容，分别对这三项内容进行独热编码，构造节点、时段、天的独热向量：en＝one_hot(n)；

et＝one_hot(t)；

其中， 为第n个节点的独热向量； 为第t个时段的独热向量；

为第d天的独热向量；one_hot(·)表示独热编码过程；τ为时间规模参数；

通过独热向量，模型获得不同阶上的嵌入矩阵，各个嵌入矩阵中包含了各自的潜在特征，节点的嵌入矩阵中包含了节点特征，时段的嵌入矩阵中包含了时间特征，天的嵌入矩阵中包含了天特征；各个嵌入矩阵如下：其中，Un为第n个节点的嵌入矩阵；Vt为第t个时段的嵌入矩阵；

分别为第d‑τ天、第d‑1天的嵌入矩阵；×2表示张量的mode‑2积；

将前τ个嵌入矩阵输入ConvLSTM编码器获得第d天的潜在特征：其中，c0、c1、cτ‑1、cτ分别为初始、第1个、第τ‑1个、第τ个记忆细胞；h0、h1、hτ‑1、hτ分别为初始、第1个、第τ‑1个、第τ个隐藏状态；ConvLSTM(·)为ConvLSTM编码器； 为经过ConvLSTM编码器后得到的第d天的潜在特征；σ(·)为Sigmoid激活函数；ΘP、bP分别表示映射层的权重矩阵、偏秩项；

步骤3.2、利用嵌入矩阵构建融合特征，具体为对嵌入矩阵中的节点特征、时段特征、天特征分别进行向量化表示，并进行拼接，得到融合特征，公式如下：un＝vec(Un)；

vt＝vec(Vt)；

其中，un、vt、 分别为向量化的节点特征、时段特征、天特征；vec(·)表示向量化；

表示拼接操作； 为融合特征，包含了所有的特征元素，r为设定的超参数，代表潜在特征维数；

步骤3.3、模型采用ω个特征提取模块捕获特征间的非线性相关性，每个特征提取模块由全连接层与一维卷积层构成，过程表示为：其中，FE(·)表示特征提取模块；f(1)、f(ω‑1)、f(ω)分别表示第1个、第ω‑1个、第ω个特征提取模块的输出向量；

步骤3.4、神经张量环融合模型将f(ω)输入全连接层，得到最终补全后的第d天中第t个时段第n个节点处的交通流量值其中，FC(·)表示全连接层；Θa、ba分别为全连接层的权重矩阵、偏秩项。

2.根据权利要求1所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤1中，将交通流量数据建模为三阶张量 其中N代表路网系统中的节点个数，T表示时间间隔，D为数据集的总天数；三阶张量由若干个元素组成，一个元素代表一个交通流量值，定义元素xntd表示第d天中第t个时段第n个节点处的交通流量值。

3.根据权利要求2所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤2中，张量环分解思想是指将一个高阶张量分解成一系列三阶因子张量的线性乘法，这些张量首尾相连，形成了一个环形结构；对于M阶的高阶张量 张量环分解能够将M阶的高阶张量对应分解成M个三阶因子张量；IM为高阶张量第M阶上的维度；

张量环分解公式为：

其中， 为高阶张量 中坐标为(i1,i2,…,iM)的元素，iM为高阶张量第M阶上的元素坐标；Tr(·)表示求迹运算；m为阶数序号； 是由高阶张量第m阶上的元素坐标im确定的矩阵，其取自第m个因子张量 在第2阶上的第im个切片，在张量中，阶上的元素坐标即为确定取第几个切片。

4.根据权利要求3所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤2中，神经张量环融合模型的目标函数表示为：其中， 为3个不同的三阶因

子张量，r1、r2、r3是人为规定的不同超参数，分别代表第1个因子张量、第2个因子张量、第3个因子张量的张量环秩，I1、I2、I3分别为高阶张量第1阶、第2阶、第3阶上的维度；Θ表示网络中需要训练的所有参数；Ωs为元素坐标索引； 为补全后的第d天中第t个时段第n个节点处的交通流量值；α、β、γ为不同的正则项系数。

5.根据权利要求4所述用于交通流量数据补全的神经张量环融合方法，其特征在于，所述步骤3中，神经张量环融合模型包括嵌入层与交互层；嵌入层通过构建3个三阶因子张量去充分学习原始流量数据中的潜在特征，并利用ConvLSTM编码器表征交通数据的时间交互作用；在交互层中，模型通过向量化与拼接操作将包含不同特征的各个矩阵转化为融合特征，再通过特征提取层逐步挖掘特征之间复杂的非线性相关性。