The present invention relates to a traffic flow forecasting method based on missing data sets. The specific steps are as follows: the method first completes the missing data by improved probabilistic principal component analysis (PPCA), then uses principal component analysis (PCA) to de-trend the traffic data recorded by each sensor, and previews the deviation data after removing the main trend as long-term and short-term memory network (LSTM). The measurement model is used to predict the flow rate. Compared with the prior art, the data completion method of the present invention is more efficient and accurate, and takes full advantage of the historical data of the sensor to consider globally, which can effectively improve the prediction performance and improve the accuracy and efficiency of traffic flow prediction.
【技术实现步骤摘要】
一种基于缺失数据集的交通流量预测方法
本专利技术涉及一种智能交通预测领域,尤其是涉及一种基于缺失数据集的交通流量预测方法。
技术介绍
随着国内城市的不断高速发展,城市交通拥堵、交通事故率上升、交通效率不高,导致的能源浪费成为各个城市发展面临的共同问题,很多城市都将大力发展智能交通系统(IntelligentTransportationSystem,ITS)作为解决城市车路矛盾的重要解决途径之一。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个地面运输管理体系,而建立起的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合运输和管理体系。智能交通系统的快速发展为交通网络需求的不断增长提供了有效的解决方案,是建设智慧城市的核心环节。交通流量预测是ITS中非常关键、基础的部分,其他很多重要功能的准确性、可用性都是基于它之上的,如:旅行时间估算、交通诱导系统等。如:自回归模型(AR)、自回归移动平均模型(ARIMA)、历史平均模型(HA)、卡尔曼滤波模型(KFM)等;另一类是以神经网络为基础的预测模型,如BP神经网络模型、卷积神经网络模型(CNN)、递归神经网路模型(RNN)等。但这些方法多对高速公路和路段流量预测,只关注同一天过去几个小时的交通流量,而没有对历史数据进行全局考虑。同时,在对实际交通道路进行动态的交通数据采集的过程中,由于交通传感器的硬件故障、噪声干扰或通信故障,往往会造成数据异常和数据丢失等状况,这对交通问题的分析和解决将会产生十分不利的影响。为了可以有效地分析交通规律,进行 ...
【技术保护点】
1.一种基于缺失数据集的交通流量预测方法,其特征在于,具体步骤如下:S1.获取传感器实时收集的包含缺失数据的交通数据集;S2.对交通数据集进行数据补全,得到补全数据集;S3.去除补全数据集中的交通流量主要趋势,得到偏差数据集;S4.将偏差数据集输入训练好的预测模型进行预测;S5.将预测结果加上先前去除的交通流量主要趋势,得到预测的交通流量。
【技术特征摘要】
1.一种基于缺失数据集的交通流量预测方法,其特征在于,具体步骤如下:S1.获取传感器实时收集的包含缺失数据的交通数据集;S2.对交通数据集进行数据补全,得到补全数据集;S3.去除补全数据集中的交通流量主要趋势,得到偏差数据集;S4.将偏差数据集输入训练好的预测模型进行预测;S5.将预测结果加上先前去除的交通流量主要趋势,得到预测的交通流量。2.根据权利要求1所述的基于缺失数据集的交通流量预测方法,其特征在于,步骤S2中,所述的数据补全具体包括使用交通数据集中的观测数据tobs的平均值初始化缺失数据tmiss,得到初始化后的交通数据集tinit,然后使用EM算法不断迭代更新缺失数据tmiss,获取补全数据集3.根据权利要求2所述的基于缺失数据集的交通流量预测方法,其特征在于,所述补全数据集的描述公式为:ti为d维的观测数据向量;x为k维的潜在变量,k<d;W是d×k的投影矩阵;μ为采样数据的平均值;ε为噪声。4.根据权利要求3所述的基于缺失数据集的交通流量预测方法,其特征在于,所述...
【专利技术属性】
技术研发人员:赵生捷,姜倩云,史清江,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。