[發明專利]基于趨勢擬合的交通流量數據交叉補全方法

有效

• 申請號: 201711079054.1
• 申請日: 2017-11-06
• 公開（公告）號: CN107680377B
• 公開（公告）日: 2019-09-27
• 發明（設計）人: 楊柏林;孫書林;林賢煊;宋超
• 申請（專利權）人: 浙江工商大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30
• 代理公司: 杭州奧創知識產權代理有限公司 33272
• 代理人: 王佳健

本發明公開了一種基于趨勢擬合的交通流量數據交叉補全方法。本發明首先計算出第一個缺失數據前偏移量，根據前偏移量計算出第一個缺失點處的增長，再根據增長計算出該缺失點平滑過后的數據。其次計算出最后一個缺失數據后偏移量，根據偏移量計算出最后一個缺失點處的增長，再根據增長計算出最后一個缺失點平滑過后的數據。最后將第一個平滑過后的車流量數據進行更新，對第二個數據用和第一個缺失點進行一樣的處理。同理倒數第二個數據和最后一個數據處理方式一致。本發明中的補全的數據即考慮到歷史平均數據對該時刻數據的影響，又考慮到前后增長趨勢的影響。極大限度的使數據平滑同時保持數據不會失真，減小對數據挖掘分析結果的干擾。

技術領域

本發明屬于數據修復處理領域，具體涉及一種基于趨勢擬合的交通流量數據交叉補全方法。

背景技術

隨著人工智能時代來臨，智能交通對當今社會生活影響日益廣泛。智能交通的基礎是交通流量數據，真實準確的車流量數據是實現智能交通的前提。一般通過交通檢測器獲取大量的真實準確的車流量數據。但在實際使用中，交通流量數據容易受到外部和內部因素影響。外部因素：天氣原因、交通管制、交通事故等。內部的因素：監視器的維護、斷電等因素。由于這些原因普遍存在，所以交通數據流量缺失也成為一種普遍的現象。并且流量數據缺失直接影響著智能交通模型實際應用效果。

在智能交通建設過程中，當缺失數據量較少的時候，對預測模型幾乎沒有影響。但是如果缺失的交通數據流量比較大時，這會對智能交通流量預測模型影響較大。因此一旦交通流量數據缺失過大，需要對缺失數據進行擬合補全，讓數據更加接近正常值。當前對缺失的交通流量數據補全的常用方法有平均值平滑、邊界值平滑、中值平滑。平均值平滑:當缺失數量較多的時候，數據將不會有任何波動，數據會失真，對預測模型的影響較大。邊界值平滑：當缺失數據只有一個時，平滑數據較好，但是并未考慮其增長性，對前面所存在的規律性沒有很好的擬合，且當缺失數據增加的時候，數據也會存在失真的效果。中值平滑：中位數的值只能體現數據的整體性，而不能體現數據的局部波動性。

針對交通流量領域中的數據缺失問題的分析發現，交通流量具有周期性，每天交通流量的趨勢比較相似，每周的交通流量的趨勢也是相似的，甚至每個月的交通流量趨勢也基本一致。時間周期為星期，如星期一某時刻的車流量數據與上周星期一對應時刻的車流量數據相差不大。考慮到缺失交通流量數據量較大的時候前后交通流量數據的趨勢,針對傳統的噪聲判斷方法無法處理高突變性、周期性、時序性的交通流量數據，提出了一種基于趨勢擬合的交通流量數據交叉補全方法。

發明內容

針對傳統方法中平滑不能夠解決交通流量數據趨勢擬合的問題。一旦缺失的交通流量數據數量較大且連續的時候就會出現數據失真，還要考慮到缺失交通流量數據量較大的時候前后交通流量數據的趨勢,本發明地提出了一種基于趨勢擬合的交通流量數據交叉補全方法。

本發明解決其技術問題所采用的技術方案如下：

步驟一：假設所給的交通車流量數據共有N個周期，周期為T,H_ik表示為第k個周期第i個車流量數據，k∈N，i∈T。需要補全數據位于第s個周期，第一個缺失點位于j時刻處，缺失數據個數為n，缺失數據增長為F，缺失數據前后真實數據為X。D為偏移量，缺失數據平滑過后的數據為X′。首先計算出第一個缺失數據前偏移量。

步驟二：根據前偏移量計算出第一個缺失點處的增長，再根據增長計算出該缺失點平滑過后的數據。

F_j＝2D_j-1-D_j-2 (3)

X′_j＝Avg_j+F_j (4)

其中Avg_j表示j時刻歷史數據平均值。