[发明专利]一种基于时空集成学习的交通数据缺失值插补方法

权利要求书

1.一种基于时空集成学习的交通数据缺失值插补方法，其特征在于，包括如下步骤：

步骤一：数据预处理：

将原始交通数据整合为以路段为列，以时间序列为行的二维交通数据矩阵；所述原始交通数据包括各路段单位时间内的车流量、车在路段各处检测点平均行驶速度和各路段的平均旅行速度；

步骤二、将原始交通数据进行时间特征表征和空间特征表征分别得到时间特征矩阵和空间特征矩阵；时间特征矩阵和空间特征矩阵分别作为时间维集成插补模型和空间维集成插补模型的输入；

步骤三、构建交通数据时间维集成插补模型：

设立若干个串联的弱学习器，第一个弱学习器的输入是时间特征矩阵，其他的弱学习器的输入是时间特征矩阵和前一个弱学习器倒数第二层网络的输出特征，然后采用平均法的组合策略计算多个弱学习器的插补结果，利用反向传播算法更新模型参数，最后通过最小二乘法训练梯度增强长短时记忆网络得到最终的交通数据时间维集成插补模型；

步骤四、构建交通数据空间维集成插补模型：

空间特征矩阵输入到AdaBoost回归模型中，通过迭代训练多个弱学习器，得到最终的强学习器作为交通数据空间维集成插补模型；

步骤五、最终的交通数插补结果：将交通数据进行时间特征表征和空间特征表征得到时间特征矩阵和空间特征矩阵；将时间特征矩阵输入交通数据时间维集成插补模型得到时间维集成插补模型估计结果y₁，将空间特征矩阵输入交通数据空间维集成插补模型得到空间维集成插补模型估计结果y₂；综合y₁和y₂得到最终的交通数插补结果。

2.如权利要求1所述的基于时空集成学习的交通数据缺失值插补方法，其特征在于，所述最终的交通数据插补结果用于进行交通状态估计和交通状况预测。

3.如权利要求1所述的基于时空集成学习的交通数据缺失值插补方法，其特征在于，所述步骤二中，待插补路段的时间特征矩阵X表示为：X＝(X_r,X_d,X_w)，其中表示所有路段与待插补时段直接相邻的历史T个时间片段的完整交通数据，表征了交通数据的近期趋势性，N表示路网中路段的数量；表示所有路段与待插补时段直接相邻的第i个时间片段的交通数据，r表示近期周期，d表示日周期，w表示周周期；R^N×T表示任意一个都是实数，数据维度大小是N×T；用于表征第t_i个插补时段的近期特征，T_r表示一个近期周期被分割成的时间片的数量，t_i表示第t_i个插补时段，表示与第t_i个插补时段相距T_r个时间片的历史交通数据，表征与第t_i个插补时段相距T_r-1个时间片的历史交通数据；表示所有路段的待插补时段的日周期数据；其中，表征第t_i个插补时段的日周期特征，T_d表示一个日周期被分割成的时间片的数量，q表示日采样频率；表示与第t_i个插补时段相距(T_d-1)×q个时间片的历史交通数据；表示所有路段的待插补时段的周周期数据；其中，表征第t_i个插补时段的周周期特征，T_w表示一个周周期被分割成的时间片的数量，表示与第t_i个插补时段相距7×(T_w-1)×q个时间片的历史交通数据。

4.如权利要求1所述的基于时空集成学习的交通数据缺失值插补方法，其特征在于，所述步骤二中，待插补路段的空间特征矩阵表征为其中，y_t表示待插补路段在t时刻的交通数据，x_t表示与待插补路段相连通的其他路段的在t时刻的交通数据，m表示待插补路段的数据样本数量。