[发明专利]一种基于KNN算法的交通流异常数据双向检测修复方法

说明书

本发明涉及一种基于KNN算法的交通流异常数据双向检测修复方法，包括以下步骤：1)获取正常的交通流历史数据，将连续的每5个数据划分为一组，并建立历史数据状态向量库；2)获取待修复的交通流数据中的异常值，并将此异常值标记为v(w)；3)根据异常值构建异常数据状态向量X；4)计算异常数据状态向量X与所有历史数据状态向量X_n之间的欧氏距离d，并进行优选，获取k组优选后的历史数据状态向量以及对应的欧氏距离d_i(i＝1,2...k)；5)根据k组优选后的历史数据状态向量以及对应的欧氏距离d_i计算修复值v(w)′；6)对异常值进行删除填补修复。与现有技术相比，本发明具有修复精度高、适用性广、提高修复精度、提高交通数据质量等优点。

技术领域

本发明涉及智能交通系统领域，尤其是涉及一种基于KNN算法的交通流异常数据双向检测修复方法。

背景技术

完整的交通流数据是交通管理与控制的基础，车辆检测器是检测道路交通流运行参数的设备，是智能交通系统中的重要组成设备，在实际交通运行中，由于道路交通环境异常、检测器故障、通信故障等原因，导致采集的交通数据产生异常，影响交通数据的质量，交通流数据的质量直接影响交通状态的估计、预测与评价的效果。因此，对交通异常数据进行恢复是必要的。

目前的交通流异常数据修复方法主要有历史平均法、移动平均法、插值法、基于时间序列的数据修复方法等。历史平均法和移动平均法主要是利用数据求均值的方法，其修复精度不高；插值法主要针对数据缺失严重的情况进行修复，具有局限性；基于时间序列的数据修复方法，在遇到连续异常情况时，修复精度大大降低。基于以上研究现状和不足，本发明在分析交通流数据时间相关性的基础上，把k近邻的算法运用到数据修复中，提出了一种基于KNN算法的交通流异常数据双向检测修复方法，具有较好的可实施性，修复效果好，适应于大多数交通流异常情况。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于KNN算法的交通流异常数据双向检测修复方法。

本发明的目的可以通过以下技术方案来实现：

一种基于KNN算法的交通流异常数据双向检测修复方法，该方法包括以下步骤：

1)获取正常的交通流历史数据，按照时间序列，将连续的每5个数据划分为一组，并建立历史数据状态向量库{X_n}，历史数据状态向量X_n的表现形式为：

X_n＝{v_h1，v_h2，v_h3，v_h4，v_h5}；

2)获取待修复的交通流数据中的异常值，并将此异常值标记为v(w)；

3)根据异常值构建异常数据状态向量X；

4)计算异常数据状态向量X与所有历史数据状态向量X_n之间的欧氏距离d，并进行优选，获取k组优选后的历史数据状态向量以及对应的欧氏距离d_i(i＝1,2...k)；

5)根据k组优选后的历史数据状态向量以及对应的欧氏距离d_i计算修复值v(w)′；

6)对异常值进行删除填补修复。

所述的步骤3)中，构建异常数据状态向量X的具体方法为：

31)将异常值v(w)放入异常数据状态向量X中；

32)在待修复的交通流数据中，以异常值v(w)所在位置为起点，分别向前后两个方向，按照先前再后的顺序进行检测，舍弃在此过程中检测出的异常值，并将非异常值按顺序放入异常数据状态向量X，直到异常数据状态向量X中仅有一个异常值v(w)。