[发明专利]基于趋势拟合的交通流量数据交叉补全方法

说明书

本发明公开了一种基于趋势拟合的交通流量数据交叉补全方法。本发明首先计算出第一个缺失数据前偏移量，根据前偏移量计算出第一个缺失点处的增长，再根据增长计算出该缺失点平滑过后的数据。其次计算出最后一个缺失数据后偏移量，根据偏移量计算出最后一个缺失点处的增长，再根据增长计算出最后一个缺失点平滑过后的数据。最后将第一个平滑过后的车流量数据进行更新，对第二个数据用和第一个缺失点进行一样的处理。同理倒数第二个数据和最后一个数据处理方式一致。本发明中的补全的数据即考虑到历史平均数据对该时刻数据的影响，又考虑到前后增长趋势的影响。极大限度的使数据平滑同时保持数据不会失真，减小对数据挖掘分析结果的干扰。

技术领域

本发明属于数据修复处理领域，具体涉及一种基于趋势拟合的交通流量数据交叉补全方法。

背景技术

随着人工智能时代来临，智能交通对当今社会生活影响日益广泛。智能交通的基础是交通流量数据，真实准确的车流量数据是实现智能交通的前提。一般通过交通检测器获取大量的真实准确的车流量数据。但在实际使用中，交通流量数据容易受到外部和内部因素影响。外部因素：天气原因、交通管制、交通事故等。内部的因素：监视器的维护、断电等因素。由于这些原因普遍存在，所以交通数据流量缺失也成为一种普遍的现象。并且流量数据缺失直接影响着智能交通模型实际应用效果。

在智能交通建设过程中，当缺失数据量较少的时候，对预测模型几乎没有影响。但是如果缺失的交通数据流量比较大时，这会对智能交通流量预测模型影响较大。因此一旦交通流量数据缺失过大，需要对缺失数据进行拟合补全，让数据更加接近正常值。当前对缺失的交通流量数据补全的常用方法有平均值平滑、边界值平滑、中值平滑。平均值平滑:当缺失数量较多的时候，数据将不会有任何波动，数据会失真，对预测模型的影响较大。边界值平滑：当缺失数据只有一个时，平滑数据较好，但是并未考虑其增长性，对前面所存在的规律性没有很好的拟合，且当缺失数据增加的时候，数据也会存在失真的效果。中值平滑：中位数的值只能体现数据的整体性，而不能体现数据的局部波动性。

针对交通流量领域中的数据缺失问题的分析发现，交通流量具有周期性，每天交通流量的趋势比较相似，每周的交通流量的趋势也是相似的，甚至每个月的交通流量趋势也基本一致。时间周期为星期，如星期一某时刻的车流量数据与上周星期一对应时刻的车流量数据相差不大。考虑到缺失交通流量数据量较大的时候前后交通流量数据的趋势,针对传统的噪声判断方法无法处理高突变性、周期性、时序性的交通流量数据，提出了一种基于趋势拟合的交通流量数据交叉补全方法。

发明内容

针对传统方法中平滑不能够解决交通流量数据趋势拟合的问题。一旦缺失的交通流量数据数量较大且连续的时候就会出现数据失真，还要考虑到缺失交通流量数据量较大的时候前后交通流量数据的趋势,本发明地提出了一种基于趋势拟合的交通流量数据交叉补全方法。

本发明解决其技术问题所采用的技术方案如下：

步骤一：假设所给的交通车流量数据共有N个周期，周期为T,H_ik表示为第k个周期第i个车流量数据，k∈N，i∈T。需要补全数据位于第s个周期，第一个缺失点位于j时刻处，缺失数据个数为n，缺失数据增长为F，缺失数据前后真实数据为X。D为偏移量，缺失数据平滑过后的数据为X′。首先计算出第一个缺失数据前偏移量。

步骤二：根据前偏移量计算出第一个缺失点处的增长，再根据增长计算出该缺失点平滑过后的数据。

F_j＝2D_j-1-D_j-2 (3)

X′_j＝Avg_j+F_j (4)

其中Avg_j表示j时刻历史数据平均值。