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。