基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明:与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。

基于S-G滤波的交通流故障数据识别与修复算法

为了提高检测器采集到的交通流数据的有效性,基于S-G滤波法和数据驱动方法,提出一套交通流故障数据识别与修复的算法。以北京市某路段上单个交通流检测器所收集的数据为基础,结合实时数据与历史数据,完成故障数据识别与修复过程。与传统方法相比,该方法整合了交通流故障数据识别与故障数据修复两部分功能,运算更加高效而可靠。通过对北京市某路段实测数据的处理实例对算法进行验证。结果表明该方法实用性较高、运算速度快,为异常数据处理提出了新的思路。