交通流缺失数据的修补技术探究

发布时间：2017-07-04 06:02

  本文关键词：交通流缺失数据的修补技术探究

  更多相关文章： 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

【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。
【作者单位】： 深圳职业技术学院汽车与交通学院;香港理工大学土木与结构工程系;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;中山大学工学院广东省智能交通系统重点实验室;
【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
【基金】：国家重点基础研究发展计划资助课题(973 Program)(2012CB725403) 广东省智能交通系统重点实验室开放基金课题(201501005) 广东省高等职业教育教学改革项目(701622J30P13) 深圳职业技术学院科技基金课题(601422K30021)~~
【分类号】：U491
【正文快照】： 3香港理工大学土木与结构工程系,香港;4中山大学工学院广东省智能交通系统重点实验室,广州510006)交通流信息是智能运输系统(I n t e l l i g e n tTransportation Systems,ITS)研究和开发的基础,ITS的各种子功能都是以信息应用为中心展开的。各种先进的交通检测器实时采集动，

本文编号：516584