一种基于KNN算法的交通流异常数据双向检测修复方法技术

本发明专利技术涉及一种基于KNN算法的交通流异常数据双向检测修复方法，包括以下步骤：1)获取正常的交通流历史数据，将连续的每5个数据划分为一组，并建立历史数据状态向量库；2)获取待修复的交通流数据中的异常值，并将此异常值标记为v(w)；3)根据异常值构建异常数据状态向量X；4)计算异常数据状态向量X与所有历史数据状态向量Xn之间的欧氏距离d，并进行优选，获取k组优选后的历史数据状态向量以及对应的欧氏距离di(i＝1,2...k)；5)根据k组优选后的历史数据状态向量以及对应的欧氏距离di计算修复值v(w)′；6)对异常值进行删除填补修复。与现有技术相比，本发明专利技术具有修复精度高、适用性广、提高修复精度、提高交通数据质量等优点。

【技术实现步骤摘要】
一种基于KNN算法的交通流异常数据双向检测修复方法
本专利技术涉及智能交通系统领域，尤其是涉及一种基于KNN算法的交通流异常数据双向检测修复方法。
技术介绍
完整的交通流数据是交通管理与控制的基础，车辆检测器是检测道路交通流运行参数的设备，是智能交通系统中的重要组成设备，在实际交通运行中，由于道路交通环境异常、检测器故障、通信故障等原因，导致采集的交通数据产生异常，影响交通数据的质量，交通流数据的质量直接影响交通状态的估计、预测与评价的效果。因此，对交通异常数据进行恢复是必要的。目前的交通流异常数据修复方法主要有历史平均法、移动平均法、插值法、基于时间序列的数据修复方法等。历史平均法和移动平均法主要是利用数据求均值的方法，其修复精度不高；插值法主要针对数据缺失严重的情况进行修复，具有局限性；基于时间序列的数据修复方法，在遇到连续异常情况时，修复精度大大降低。基于以上研究现状和不足，本专利技术在分析交通流数据时间相关性的基础上，把k近邻的算法运用到数据修复中，提出了一种基于KNN算法的交通流异常数据双向检测修复方法，具有较好的可实施性，修复效果好，适应于大多数交通流异常情况。专利技术内本文档来自技高网...

【技术保护点】
一种基于KNN算法的交通流异常数据双向检测修复方法，其特征在于，该方法包括以下步骤：1)获取正常的交通流历史数据，按照时间序列，将连续的每5个数据划分为一组，并建立历史数据状态向量库{Xn}，历史数据状态向量Xn的表现形式为：Xn＝{vh1，vh2，vh3，vh4，vh5}；2)获取待修复的交通流数据中的异常值，并将此异常值标记为v(w)；3)根据异常值构建异常数据状态向量X；4)计算异常数据状态向量X与所有历史数据状态向量Xn之间的欧氏距离d，并进行优选，获取k组优选后的历史数据状态向量以及对应的欧氏距离di(i＝1,2...k)；5)根据k组优选后的历史数据状态向量以及对应的欧氏距离di计...

【技术特征摘要】
1.一种基于KNN算法的交通流异常数据双向检测修复方法，其特征在于，该方法包括以下步骤：1)获取正常的交通流历史数据，按照时间序列，将连续的每5个数据划分为一组，并建立历史数据状态向量库{Xn}，历史数据状态向量Xn的表现形式为：Xn＝{vh1，vh2，vh3，vh4，vh5}；2)获取待修复的交通流数据中的异常值，并将此异常值标记为v(w)；3)根据异常值构建异常数据状态向量X；4)计算异常数据状态向量X与所有历史数据状态向量Xn之间的欧氏距离d，并进行优选，获取k组优选后的历史数据状态向量以及对应的欧氏距离di(i＝1,2...k)；5)根据k组优选后的历史数据状态向量以及对应的欧氏距离di计算修复值v(w)′；6)对异常值进行删除填补修复。2.根据权利要求1所述的一种基于KNN算法的交通流异常数据双向检测修复方法，其特征在于，所述的步骤3)中，构建异常数据状态向量X的具体方法为：31)将异常值v(w)放入异常数据状态向量X中；32)在待修复的交通流数据中，以异常值v(w)所在位置为起点，分别向前后两个方向，按照先前再后的顺序进行检测，舍弃在此过程中检测出的异常值，并将非异常值按顺序放入异常数据状态向量X，直到异常数据状态向量X中仅有一个异常值v(w)。3.根据权利要求1所述的一种基于KNN算法的交通流异常数...

【专利技术属性】
技术研发人员：秦一菲，马明辉，王岩松，张亮，郭辉，刘宁宁，王孝兰，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海,31