新闻动态
2020年9月,THU-LEAD李会平博士的研究论文“A spatiotemporal approach for traffic data imputation with complicated missing patterns(一种处理复杂缺失模式的交通数据时空填补方法)” 被Transportation Research Part C: Emerging Technologies接收。
文章亮点:
• 一种时空融合的交通数据缺失填补方法
• 处理多种缺失模式,包括:随机缺失、连续非完成缺失、连续完全缺失、混合缺失
• 用真实数据集进行了大量数值实验
• 当缺失率高达90%时仍可适用
文章摘要:
随着智能交通系统(ITS)的出现,时空交通数据在交通的实时监控,预测和控制中变得越来越重要。然而,数据收集设备经常面临各种不可预测的中断引起的故障,从而形成所谓的“数据缺失问题”。通常,数据收集设备的中断与一些外部事件(例如,停电和自然灾害)相关。此外,缺失模式可能为随机或连续的形式。为了处理具有复杂缺失模式的填补任务,我们提出了一种混合时空方法,该方法采用“prophet”模型利用时间序列属性,并通过迭代随机森林模型处理空间残差信息,这两个部分的结果被整合到最终的输出中。基于PeMS高速公路数据集和大量人工设计的场景(例如随机,连续非完全和完全缺失模式)下的城市道路数据集,我们将模型和KNN, STL, BGCP, DAE等模型进行了对比。测试结果表明,对于大多数缺失模式,尤其是连续完全缺失模式或混合缺失模式,我们的方法可获得最 佳缺失补全效果。 此外,该模型在高达0.9的极限丢失率下仍然表现良好,证明了该模型在极端情况下的鲁棒性。
Copyright © 2009-2011,www.thu-lead.com,All rights reserved
版权所有 © THU-LEAD交通科学实验室 未经许可 严禁复制