[发明专利]一种基于缺失数据集的交通流量预测方法

权利要求书

1.一种基于缺失数据集的交通流量预测方法，其特征在于，具体步骤如下：

S1.获取传感器实时收集的包含缺失数据的交通数据集；

S2.对交通数据集进行数据补全，得到补全数据集；

S3.去除补全数据集中的交通流量主要趋势，得到偏差数据集；

S4.将偏差数据集输入训练好的预测模型进行预测；

S5.将预测结果加上先前去除的交通流量主要趋势，得到预测的交通流量。

2.根据权利要求1所述的基于缺失数据集的交通流量预测方法，其特征在于，步骤S2中，所述的数据补全具体包括使用交通数据集中的观测数据t_obs的平均值初始化缺失数据t_miss，得到初始化后的交通数据集t_init，然后使用EM算法不断迭代更新缺失数据t_miss，获取补全数据集

3.根据权利要求2所述的基于缺失数据集的交通流量预测方法，其特征在于，所述补全数据集的描述公式为：

t_i为d维的观测数据向量；x为k维的潜在变量，k<d；W是d×k的投影矩阵；μ为采样数据的平均值；ε为噪声。

4.根据权利要求3所述的基于缺失数据集的交通流量预测方法，其特征在于，所述的EM算法中，若采样数据的平均值μ和缺失数据t_miss的迭代值大于零，则选取迭代值；若采样数据的平均值μ和缺失数据t_miss的迭代值小于等于零，则取值为零。

5.根据权利要求1所述的基于缺失数据集的交通流量预测方法，其特征在于，步骤S3中，偏差数据集的获取方法具体如下：

对于每一天的流量数据t_i，都存在一个潜在变量x_i，使得：

t_i＝Wx_i+μ

其中，μ为采样数据的平均值；t_i为d维的观测数据向量；x_i为k维的潜在变量，k<d；W是d×k的投影矩阵；即t_i由低维空间主要的几个x_i构造得到，几个x_i成为交通流量主要趋势，其剩余的潜在变量形成偏差数据集。

6.根据权利要求1所述的基于缺失数据集的交通流量预测方法，其特征在于，所述的预测模块为LSTM预测模型，使用偏差数据作为LSTM预测模型的输入进行LSTM预测模型的训练。

7.根据权利要求6所述的基于缺失数据集的交通流量预测方法，其特征在于，对某一指定传感器的历史流量数据的偏差数据进行数据归一化处理，利用归一化处理后的数据训练LSTM预测模型。