交通流缺失数据的修补技术探究

• 作者: 何兆成 林秋映 袁媛 谭美琳 邵春福
• 来源期刊: 中国公共安全（学术版）
• 学科: 交通运输
• 关键词: 城市交通 交通数据 LS-SVM模型 RBF神经网络模型 非线性回归模型
• 年，卷（期）: 2016,（4）
• 所属期刊栏目: 智能交通
• 页码范围: 70-76
• 页数: 7页
• 分类号: U491.5+4
• 字数: 7159字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-2396.2016.04.016

摘要

城市道路交通中交通检测器获得的数据往往不完整,存在丢失现象,需要对其进行修补,以保证交通流预测模型的实际应用精度.以离散和连续缺失的线圈检测器交通流量数据为研究对象,提出一种基于最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的交通流时间序列数据修补模型,并将其结果与利用RBF神经网络模型和一元非线性回归模型的结果进行比较.研究结果表明,LS-SVM模型修补精度优于RBF (Radical Basis Function)神经网络模型和非线性回归模型.最后,针对历史数据缺失难以构建LS-SVM模型的问题,提出了两阶段故障数据修补组合模型,取得了好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵春福	北京交通大学城市交通复杂系统理论与技术教育部重点实验室	184	3507	34.0	48.0
2	何兆成	中山大学工学院广东省智能交通系统重点实验室	45	758	17.0	26.0
3	谭美琳	香港理工大学土木与结构工程系	2	42	2.0	2.0
4	袁媛	深圳职业技术学院汽车与交通学院	19	62	5.0	6.0
13	林秋映	深圳职业技术学院汽车与交通学院	2	15	2.0	2.0