[发明专利]一种公路基础设施多源异质数据的数据修复方法及系统

权利要求书

1.一种公路基础设施多源异质数据的数据修复方法，其特征在于，包括步骤：

S1：构建多源数据关联计算模型，预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练；

S2：将缺失数据的传感器作为待修复传感器，获取该待修复传感器的不完整数据以及其他传感器的完整数据，结合传感器采集数据的时间点，对应生成所有传感器的数据序列；

S3：将其他传感器的数据序列输入到所述多源数据关联计算模型中，得到待修复传感器缺失数据对应时间点的关联预测数值序列Y_r；

S4：使用样条插值的方法对待修复传感器的数据序列进行插值计算，得到待修复传感器缺失数据对应时间点的时间预测数值序列Y_p；

S5：根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数α_i和时间权重系数β_i，结合计算公式Y_Result＝α_iY_r+β_iY_p，得到待修复数据Y_Result；

所述对应预设的关联权重系数α_i和时间权重系数β_i的计算过程为：

选取所有传感器的一段完整数据；

创建若干组数据，每组数据均与该段完整数据相同；

在每组数据中随机选择连续的i个数据，将选取的i个数据从每组数据中去除，对应得到若干组缺失i个数据的不完整数据；

使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值，并将i个数据的预测值组成数据预测序列，得到所有组不完整数据的时间预测数值序列；

将所有组不完整数据分别输入到所述多源数据关联计算模型中，得到所有组不完整数据的关联预测数值序列；

根据完整数据、时间预测数值序列和关联预测数值序列，使用最小二乘法，得到当传感器缺失i个数据时对应的关联权重系数α_i和时间权重系数β_i；

所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括：

将其中一个传感器作为目标传感器，将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标，其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入，对该多源数据关联计算模型进行学习训练；

当待修复传感器间断缺失多个数据时，将待修复传感器的数据转化为多组数据，每组数据中仅包含一段连续缺失的数据，并根据每组数据中连续缺失数据的个数分别进行数据修复。

2.如权利要求1所述的公路基础设施多源异质数据的数据修复方法，其特征在于，所述步骤S4中采用的是三次样条插值的方法。