[发明专利]一种基于缺失数据集的交通流量预测方法

说明书

本发明涉及一种基于缺失数据集的交通流量预测方法，具体步骤如下：该方法通过改进的概率主成分分析(PPCA)先将缺失的数据补全，然后利用主成分分析(PCA)将每一个传感器记录的流量数据进行去趋势化，将去除主要趋势以后的偏差数据作为长短时记忆网络(LSTM)预测模型进行流量预测。与现有技术相比，本发明数据补全的效率高、更为准确，并且充分利用了传感器的历史数据进行全局考虑，可以有效提升预测的性能，提高交通流量预测的准确性和效率。

技术领域

本发明涉及一种智能交通预测领域，尤其是涉及一种基于缺失数据集的交通流量预测方法。

背景技术

随着国内城市的不断高速发展，城市交通拥堵、交通事故率上升、交通效率不高，导致的能源浪费成为各个城市发展面临的共同问题，很多城市都将大力发展智能交通系统(Intelligent Transportation System，ITS)作为解决城市车路矛盾的重要解决途径之一。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个地面运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理体系。智能交通系统的快速发展为交通网络需求的不断增长提供了有效的解决方案，是建设智慧城市的核心环节。

交通流量预测是ITS中非常关键、基础的部分，其他很多重要功能的准确性、可用性都是基于它之上的，如：旅行时间估算、交通诱导系统等。如:自回归模型(AR)、自回归移动平均模型(ARIMA)、历史平均模型(HA)、卡尔曼滤波模型(KFM)等；另一类是以神经网络为基础的预测模型，如BP神经网络模型、卷积神经网络模型(CNN)、递归神经网路模型(RNN)等。但这些方法多对高速公路和路段流量预测，只关注同一天过去几个小时的交通流量，而没有对历史数据进行全局考虑。

同时，在对实际交通道路进行动态的交通数据采集的过程中，由于交通传感器的硬件故障、噪声干扰或通信故障，往往会造成数据异常和数据丢失等状况，这对交通问题的分析和解决将会产生十分不利的影响。为了可以有效地分析交通规律，进行交通流量的预测，就必须保证交通数据的完整性。缺失数据被视为预测值，然后根据从历史数据对中识别出的关系对缺失数据进行预测。但是现有的方法并没有很好的考虑交通流量预测和缺失数据补全这两者之间的差异。许多预测模型没有充分利用缺失数据后面收集的数据，这可能会降低数据补全性能。如果连续的一系列数据全部丢失，预测方法通常不能给出令人满意的结果。比如，传统的PPCA补全方法的将数据观测数据和缺失数据分为两部分分别考虑。换句话说，只使用观察到的数据来估计似然函数，这种做法完全忽略了缺失的数据对于似然函数的影响。

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缺失数据集的交通流量预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于缺失数据集的交通流量预测方法，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。

进一步地，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

进一步地，所述补全数据集的描述公式为：