基于低秩矩阵补全模型的路网交通流数据插补方法研究
发布时间：2020-11-02 23:34
智能交通系统(ITS)是缓解交通拥堵、提高道路通行效率的有效途径之一。然而,由于网络传输延迟、检测器故障等原因,ITS中采集的交通流数据往往存在很多缺失值,这使得交通流预测和车辆路径规划等应用非常困难。目前,交通流缺失值插补已经成为智能交通领域的一个重要研究课题,引起了国内外学者的密切关注。最近,基于低秩矩阵补全(LRMC)模型的交通流缺失值插补问题成为一个研究热点。然而,目前的研究直接将LRMC模型应用于交通流缺失值插补,而未充分考虑到交通流数据的内在特点,从而降低了缺失值恢复的性能。本文在低秩矩阵补全模型的基础上,对路网交通流数据插补问题进行了系统的研究。主要工作包括:(1)深入分析了道路网络的交通流特性和交通流缺失数据产生的原因,并对完全随机缺失、随机缺失和混合缺失这三种典型的缺失模式进行介绍。(2)描述了基于低秩矩阵补全模型的路网交通流数据插补问题,然后对求解低秩矩阵补全模型的一种常用优化算法——奇异值阈值迭代(SVT)作了详细介绍。(3)考虑到对整个路网交通流数据矩阵进行低秩矩阵补全时,应充分考虑到交通流数据时空相关性的不均匀性,提出一种基于交通样本相关性和集成学习的缺失值恢复算法—CLRMC-EN。描述了算法的具体流程、时间复杂性分析,并在一个公开的交通数据集—美国俄勒冈州波特兰市的公路交通流量数据库上,对算法性能进行了比较,仿真结果表明CLRMC-EN显著优于LRMC和其它一些常用的插补算法。(4)针对CLRMC-EN算法在大规模路网情况下时间复杂性高的问题,提出一种基于聚类算法和最小二乘集成学习的缺失值恢复算法—HCLRMC-EN。详细介绍了该算法的原理和流程,在大规模路网交通流数据上的仿真结果表明,HCLRMC-EN算法的恢复性能达到CLRMC-EN算法的96%,但速度快19倍,从而更适合于大规模路网的情况。
【学位单位】：江苏大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491.112
【部分图文】：
4.2 对交通样本 π进行多重插补的情况说 Illustration of multiple imputation for traffic的机器学习方案，它可以结合多种模分类问题或者回归问题的鲁棒性和准集成学习方法来将样本 π的 个插补 π= ￠ ∑ π π 的权重。本文中，定义 = ¤ 地说，样本 π和 π( ≤ ≤ )之间的终的插补结果应该与 π 较为接近。为标函数式（ ）对 求导数，并令导
图 4.5 (a) 交通流的测试样本Fig.4.5 (a) Test sample of traffic flow最相似交通流样本 图 4.5 (c) 最Most similar sample Fig.4.5 (c) M的 LRMC 集成学习方法的参数调整中所讨论的，用加权皮尔逊相关系数描述两个
图 4.5 (b) 最相似交通流样本 图 4.5 (c) 最不相似交通流样本Fig.4.5 (b) Most similar sample Fig.4.5 (c) Most dissimilar sample4.3.4 基于数据相关性的 LRMC 集成学习方法的参数调整正如第 4.1.1 小节中所讨论的，用加权皮尔逊相关系数描述两个样本之间相似性时，权重 决定了第一轮插补值对加权皮尔逊相关系数的贡献。 越大，表明第一轮插补值对加权皮尔逊相关系数的贡献越大。为了确定合适的 值，经过初步调试后，首先固定自适应 K近邻搜索算法的阈值 = ，令数据缺失率 为{10%，50%，70%}，缺失模式为完全随机缺失（MCAR），然后观察插补方法 CLRMC 和 CLRMC-EN 的插补误差 RMSE 和 MAE随权重 的改变而变化的情况，结果如图 4.6 到图 4.8 所示。从图中，我们可以观察到，当数据缺失率比较低时，权重 的变化对插补误差影响不显著。这是因为，当缺失值非常少时，加权皮尔逊相关系数主要是基于观测值得到的。而且，在这种情况下用低秩矩阵补全对整个矩阵进行的第一轮插补也比较准确。随着缺失率 的
【参考文献】
本文编号：2867750
【学位单位】：江苏大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491.112
【部分图文】：
4.2 对交通样本 π进行多重插补的情况说 Illustration of multiple imputation for traffic的机器学习方案，它可以结合多种模分类问题或者回归问题的鲁棒性和准集成学习方法来将样本 π的 个插补 π= ￠ ∑ π π 的权重。本文中，定义 = ¤ 地说，样本 π和 π( ≤ ≤ )之间的终的插补结果应该与 π 较为接近。为标函数式（ ）对 求导数，并令导
图 4.5 (a) 交通流的测试样本Fig.4.5 (a) Test sample of traffic flow最相似交通流样本 图 4.5 (c) 最Most similar sample Fig.4.5 (c) M的 LRMC 集成学习方法的参数调整中所讨论的，用加权皮尔逊相关系数描述两个
图 4.5 (b) 最相似交通流样本 图 4.5 (c) 最不相似交通流样本Fig.4.5 (b) Most similar sample Fig.4.5 (c) Most dissimilar sample4.3.4 基于数据相关性的 LRMC 集成学习方法的参数调整正如第 4.1.1 小节中所讨论的，用加权皮尔逊相关系数描述两个样本之间相似性时，权重 决定了第一轮插补值对加权皮尔逊相关系数的贡献。 越大，表明第一轮插补值对加权皮尔逊相关系数的贡献越大。为了确定合适的 值，经过初步调试后，首先固定自适应 K近邻搜索算法的阈值 = ，令数据缺失率 为{10%，50%，70%}，缺失模式为完全随机缺失（MCAR），然后观察插补方法 CLRMC 和 CLRMC-EN 的插补误差 RMSE 和 MAE随权重 的改变而变化的情况，结果如图 4.6 到图 4.8 所示。从图中，我们可以观察到，当数据缺失率比较低时，权重 的变化对插补误差影响不显著。这是因为，当缺失值非常少时，加权皮尔逊相关系数主要是基于观测值得到的。而且，在这种情况下用低秩矩阵补全对整个矩阵进行的第一轮插补也比较准确。随着缺失率 的
【参考文献】
相关期刊论文 前1条
1 陆化普;孙智源;屈闻聪;;基于时空模型的交通流故障数据修正方法[J];交通运输工程学报;2015年06期
相关硕士学位论文 前9条
1 吕琳;基于蚁群优化的层次聚类算法及其在网络取证中的应用[D];山东师范大学;2017年
2 章超;千亿级智能交通大数据存储与检索系统的研究[D];杭州电子科技大学;2017年
3 鲁娟;基于数据挖掘技术的智能交通管理系统的研究[D];河北科技大学;2016年
4 李锐;基于矩阵填充的阵列信号降采样DOA估计方法研究[D];西安电子科技大学;2015年
5 刘璐;基于多元线性回归模型的缺失浮动车数据填充研究[D];哈尔滨工业大学;2015年
6 李青;城市交通流预测关键技术研究[D];西南科技大学;2015年
7 邹晓芳;城市快速路交通流故障数据修复方法研究[D];北京交通大学;2014年
8 陈峰峰;奇异值阈值算法在Netflix问题中的应用研究[D];清华大学;2011年
9 黄彧;相似性度量的研究及其在数据挖掘中的应用[D];福建师范大学;2009年
本文编号：2867750
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2867750.html
