基于低秩矩阵补全模型的路网交通流数据插补方法研究

摘要

智能交通系统（ITS）是缓解交通拥堵、提高道路通行效率的有效途径之一。然而，由于网络传输延迟、检测器故障等原因，ITS 中采集的交通流数据往往存在很多缺失值，这使得交通流预测和车辆路径规划等应用非常困难。目前，交通流缺失值插补已经成为智能交通领域的一个重要研究课题，引起了国内外学者的密切关注。最近，基于低秩矩阵补全（LRMC）模型的交通流缺失值插补问题成为一个研究热点。然而，目前的研究直接将LRMC模型应用于交通流缺失值插补，而未充分考虑到交通流数据的内在特点，从而降低了缺失值恢复的性能。本文在低秩矩阵补全模型的基础上，对路网交通流数据插补问题进行了系统的研究。主要工作包括： （1）深入分析了道路网络的交通流特性和交通流缺失数据产生的原因，并对完全随机缺失、随机缺失和混合缺失这三种典型的缺失模式进行介绍。 （2）描述了基于低秩矩阵补全模型的路网交通流数据插补问题，然后对求解低秩矩阵补全模型的一种常用优化算法——奇异值阈值迭代（SVT）作了详细介绍。 （3）考虑到对整个路网交通流数据矩阵进行低秩矩阵补全时，应充分考虑到交通流数据时空相关性的不均匀性，提出一种基于交通样本相关性和集成学习的缺失值恢复算法—CLRMC-EN。描述了算法的具体流程、时间复杂性分析，并在一个公开的交通数据集—美国俄勒冈州波特兰市的公路交通流量数据库上，对算法性能进行了比较，仿真结果表明CLRMC-EN显著优于LRMC和其它一些常用的插补算法。 （4）针对CLRMC-EN算法在大规模路网情况下时间复杂性高的问题，提出一种基于聚类算法和最小二乘集成学习的缺失值恢复算法—HCLRMC-EN。详细介绍了该算法的原理和流程，在大规模路网交通流数据上的仿真结果表明，HCLRMC-EN算法的恢复性能达到CLRMC-EN算法的96%，但速度快19倍，从而更适合于大规模路网的情况。

目录

第一个书签之前