基于二元特征的断面交通数据异常检测与修正

为了确保交通数据的准确性以及为后续研究提供数据质量保障。提取断面交通数据的两元特征向量速度与流量,采用多元高斯模型拟合两元特征概率密度分布,并利用matlab训练模型,对测试数据集进行异常检测;针对检测出的异常数据点,引入小时窗口,建立修正数据集。随后在各修正窗口内采用波动性处理优化的灰色马尔可夫模型,对上述异常点进行修正。以汕昆高速K2077断面为例,对其采集数据进行模拟计算及分析,结果表明:多元高斯模型对断面交通数据的二元特征拟合效果良好,异常检测作用突出;引入修正窗口简化了数据修正的运算过程,避免了大量历史数据冗余使用;波动性处理优化弥补了灰色马尔可夫模型针对随机性数据性能下降的缺陷,大幅提升了数据修正的准确率。

基于长短期记忆网络的断面交通数据异常处理

针对基于统计模型的传统算法仅优化局部数据的问题。建立了基于长短期记忆网络深度学习模型的异常数据处理算法和基于Tensorflow框架搭建了神经网络模型。通过进行训练模型,获得备选数据集和校验数据集。通过样本标签对比,判定异常点,并进行数据替换和更新标准样本。为检验该算法的有效性,使用昆汕高速公路K2077断面交通数据,进行验算和分析。研究结果表明:长短期记忆网络模型可快速处理交通时序原始数据,并进行检测修正算法,优化了数据质量,弥补了传统算法的局限性。工作窗口的建立,精简了算法流程,提升了数据修正的精度。