一种基于深度学习的缺失交通流量数据恢复方法

发布时间：2021-10-28 23:19

　　随着交通信息化的快速发展,交通数据爆炸式地增长。其中交通流量（单位时间过车数量）是描述交通流的一个重要指标,其变化规律反应了交通流基本性质。但是因为采集、传输或存储的故障,数据会存在错误、丢失的问题。数据的缺失不仅降低有效性,同时也给后续的工作带来困扰。开展针对缺失交通流量数据的恢复研究,对缺失数据的有效化处理,一方面利于深化对交通流量数据时空关联性和统计特性的认识,另一方面对智能交通系统（Intelligent Transportation System,ITS）的后续分析有着重要意义。因此缺失交通流量数据的恢复研究具有重要的理论和实际价值。本论文从复杂城市交通路网角度出发,结合其数据规模大、局部时空关联性和数据动态缺失等主要特点,针对时空维度的完全随机缺失以及在空间维度的长时间缺失数据恢复进行研究。本论文的主要研究工作和贡献如下:1.在交通路网局部时空关联性方面,提出并设计一种路网流量局部计算模型。首先,提出路网矩阵化算法,利用卡口向量化模型从海量轨迹数据中挖掘路网中路口的关系,并将路网重构成矩阵,在矩阵中路口间的关联性与其距离呈正相关。其次,引入卷积神经网络构建路网流量局部计算模... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

总体研究思路

第 3 章 路网局部计算模型及短时流量预测应片。利用卷积神经网络进行局部卷积计算，从在这样的路口：两个路口在路网中没有相关性相关性，这样会使全连接神经网络视其为相似神经网络的泛化能力。卡口嵌入车辆轨迹矩阵中的降维扩散52 42 2316 15 11076 26 6252 32 2572 24 74{ , ,..., },{ , ,..., },{ , ,..., },{ , ,..., },....{ , ,..., },l l ll l ll l ll l ll l l卡口向量收缩

图 3.4 扩散方向示意图则时收缩，如果只考虑单个点的单步移动则会且稀疏性会导致后续神经网络训练变得困难。巨大的计算复杂度，因此，基于贪心算法提出 S-steps-shrink。该方法通过综合考虑S 步移动达到部分迁移的效果。即尝试移动一个点，如影响的点。在接下来的移动中这些被移动的点的移动，如果不能消除，那么这次移动包括前选取这些点的移动既没有违反收缩三原则又能骤作为这个点的移动方案。


本文编号：3463503