[发明专利]基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法

说明书

技术领域

本发明涉及交通信息处理技术领域，特别涉及一种基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法。

背景技术

在智能交通系统中，交通数据(交通流是最重要参数之一)是所有交通控制和管理系统的重要保障，是整个智能交通系统得以顺利运行的基础。工程上应用的交通模型都需要完备的交通数据进行校正。

然而在实际交通环境中，由于各种各样的原因(例如交通信息检测器的故障、网络传输失败等)，交通信息采集装置采集到的交通数据往往存在数据缺失的问题。例如，北京市的交通流数据缺失率约为10％，而美国的PeMS系统中，在个别监测点，交通流缺失率在个别检测点高达25％。

因此，在交通领域内，有很多研究者从事交通缺失数据估计的研究。由于交通流是交通数据中最重要的参数之一，很多缺失数据估计模型都以交通流为研究对象，包括基于预测类的缺失数据估计方法、基于插值类缺失估计方法以及基于统计学习的缺失数据估计方法。例如，目前相关技术中提出了一种非固定k值的最近邻填充方法，而该方法所关注的问题是对于利用k邻近法估计缺失数据时最近邻个数k值的选择问题，并没有关注样本数据的统计模型。另一种基于小波神经网络的退化数据缺失插补方法，该方法所关注的问题是利用小波神经网络对缺失数据进行插值估计，没有关注数据本身的统计特性。还有一种交通数据弥补方法，该方法所关注的问题是利用神经网络对缺失数据进行弥补，并没有关注数据的统计学规律。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法，该方法能够极大地提升交通流缺失数据的估计精度与速度。

为了实现上述目的，本发明的实施例提出了一种基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法，包括以下步骤：S1：接收连续N天的交通流数据，并根据所述连续N天的交通流数据得到交通流数据向量集Yc＝[Y(1),Y(2),...,Y(N)]，其中，第ⁱ天的交通流数据向量为Y(i)＝[y_i(1),y_i(2),...,y_i(D)]i＝1,2,...,N，其中，所述Y_c包括观测数据Y_obs和缺失数据Y_mis，所述N为正整数；S2：根据所述第i天的交通流数据向量Y(i)设定高斯模型，其中，所述高斯模型的参数空间为Θ；S3：根据所述参数空间Θ的估计值Θ^k计算所述缺失数据的发生概率p(Y_mis|Y_obs,Θ^k)，并根据当前的观测数据和最新的缺失数据估计值计算所述参数空间Θ的发生概率以及根据所述参数空间Θ的发生概率对所述高斯模型的参数空间Θ的估计值进行更新；S4：重复执行所述S3，直至得到的马尔科夫链收敛时，估计得到所述交通流的缺失数据。

根据本发明实施例的基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法，通过贝叶斯估计的方式进行交通流数据的补偿，能够极大地提升缺失数据的估计精度与速度。并且，该方法采用的基于马尔科夫链蒙特卡洛算法的补偿方法能够适用于多种交通流数据缺失模式，因此，适用范围广。

另外，根据本发明上述实施例的基于马尔科夫链蒙特卡洛算法的交通流缺失数据估计方法，还可以具有如下附加的技术特征：

在一些示例中，所述高斯模型的参数空间Θ包括参数c和σ²。

在一些示例中，通过以下公式估计得到所述交通流的缺失数据，所述公式为：