[发明专利]基于多源检测器数据的交通流参数缺失填补方法

说明书

本发明公开了基于多源检测器数据的交通流参数缺失填补方法，具体涉及智能交通技术领域，该交通流参数缺失填补方法包括如下步骤：S01、向多源检测器载入道路网的历史交通流参数，计算并确定有效路段集合；S02、针对有效路段集合构建多源检测器交通参数的特征集合，的特征集合是交通参数特征矩阵Feature，交通参数特征矩阵Feature由n行z列组成；S03、根据的交通参数特征矩阵Feature训练用于表示交通流参数的填补模型；S04、通过载入的填补模型进行计算源检测器上所对应缺失的交通流参数，并得到所缺失的交通流参数填补估计值。本发明适用各源各类交通参数缺失估计，对所缺失的数据可做到实时填补。

技术领域

本发明涉及智能交通技术领域，特别涉及基于多源检测器数据的交通流参数缺失填补方法。

背景技术

在智能交通系统中，实时交通流参数是交通管控、交通诱导以及交通信息服务的基础。目前主要用于检测实时交通流参数的固定检测设备有:线圈检测器、电警卡口及视频检测器等。不同检测源能获取的交通参数类型不尽相同，如线圈检测器能获取车道占有率，而电警卡口则不能；同时，不同检测器获得的相同交通参数，其定义也不尽相同，如线圈检测器获得的交通流速度是断面瞬时车速，而电警卡口数据计算的交通流速度是路段行程车速。根据路段的基本信息以及检测器的安装位置，不同检测器获取的交通流参数之间存在着一定的关联关系。

在检测实时交通流参数的过程中，由于施工损坏、线路故障、处理错误、设备维护或安装覆盖率等原因造成检测设备的数据缺失是动态交通数据采集中常见现象。缺失值会对交通流数据的分析和深层次数据挖掘带来不利影响，因此，缺失数据的填补质量对交通信息的准确性具有重要意义。

为了填补缺失的交通流参数数据，技术人员研发出多种填补缺失数据的估计方法，如历史平均法及插值法等，上述两个方法虽然操作简单，但不能适应实时的交通变化。其他的方法如机器学习方法，上述方法在进行模型训练或模型实时应用时，都需要保证输入字段的完整性，因而难以进行工程化实施。并且，现有的方法主要基于单源检测数据对单种交通参数的缺失数据进行填补和恢复，没有考虑不同源检测数据之间的联系及不同的缺失数据进行填补方法对不同类型交通参数的普适性。

发明内容

本发明提供了基于多源检测器数据的交通流参数缺失填补方法，该交通流参数缺失填补方法具有如下优点：适用各源各类交通参数缺失估计，对各源各类交通流参数的缺失数据做到实时填补，且可为后续交通流数据进行分析预测，交通管控和诱导提供基础保障。

为实现上述目的，本发明提供如下技术方案:

基于多源检测器数据的交通流参数缺失填补方法，该交通流参数缺失填补方法包括如下步骤：

S01、向多源检测器载入道路网的历史交通流参数，计算并确定有效路段集合；

S02、针对有效路段集合构建多源检测器交通参数的特征集合，所述的特征集合是交通参数特征矩阵Feature，所述交通参数特征矩阵Feature由n行z列组成；

其中，n为总时间段数，n＝L*24*60/T，z可各自独立地表示为路段属性参数、路段中各源检测器测得的交通流参数、周边路段各源检测器测得的交通流参数及历史交通参数；L：统计历史交通流参数的天数，T：交通流参数统计间隔；

S03、根据所述的交通参数特征矩阵Feature中的每一源每一类的交通流参数分别训练用于表示相应的交通流参数的填补模型；

S04、通过载入所述的填补模型进行计算源检测器上所对应缺失的交通流参数，并得到所缺失的交通流参数填补估计值。

作为优选，在步骤S01中，有效路段集合包括多个有效路段，所述有效路段为L天中不同源检测器所记录的交通流参数均大于C条的路段；其中，C＝24*60/T。