多种缺失模式下交通数据组合近似填补方法

随着智能交通系统中采集和应用的基础数据规模不断扩大，数据缺失问题的重要性也日益凸显。针对交通数据中常出现的数据随机缺失和连续缺失问题，本文提出基于鲸鱼优化算法优化最小二乘支持向量机的组合近似填补方法(Combined Approximate Filling, CAF)。考虑缺失数据整体变化趋势的同时，参考数据的波动特征，根据多重填补思想对缺失值分别使用单变量填补和多变量填补，然后引入图片识别中自适应阈值分割法对不同时段下的差异值进行动态划分处理，最后利用不同时段的动态差异度阈值将单变量填补和多变量填补的结果进行结合，完成缺失值的高精度近似填补。为验证填补方法的性能，利用云南省玉溪市大量实车轨迹处理数据设计多组实验。实验结果表明，在小样本数据中，CAF填补方法能够适应多种场合的填补工作，该方法总体优于其他方法，在不同缺失率下均表现良好，尤其是随机缺失填补，最大RMSE为0.365。实验还证明了该方法在不同缺失类型和不同数据离散度下数据填补效果相比于其他方法优势更加明显。     

考虑时空相关性的固定检测缺失数据重构算法

应用相关性理论,研究了交通流数据中缺失值与其他数据的相关性,对与缺失值不同相关性的数据给予不同的权重值,提出了基于交通流时空相关权重的重构算法,并以北京市二环快速路为研究对象,运用VISSIM仿真软件建立仿真模型,利用仿真数据对新算法和现有算法进行了对比分析。研究结果表明:在连续缺失1～10个数据时,模型1的重构值与仿真值平均相对误差最大仅为1.8766%,一般情况下,平均相对误差均在1.0000%以下,可见,模型1算法优于现有的重构算法。     

�����ʾ�ش�ȱ��Խ�ͨ��ʽѡ��ģ�͵�Ӱ��:��չ�й��ҳ��еıȽϷ�����Ӣ�ģ�

为提高交通规划与决策质量,有必要妥善处理交通调查无回答问题. 但是在相关研究中尤其在发展中国家此问题常被忽视. 本文统计分析了发展中城市居民出行调查中项目无回答的缺失模式,进一步分析项目无回答作为模型缺失数据对基于期望最大化的数据修补的多项Logit集计的出行方式选择模型的影响. 选择三个发展中城市代表调查无回答的三个等级做案例分析. 首先,根据项目无回答缺失模式,利用Pearson开方检验得出重要的出行者社会经济属性和出行背景因素. 其次,利用基于缺失模式分析的期望最大化估计,处理缺失数据得到无偏数据集作为基准. 此外,利用独立样本的T检验检验了零假设,即有无期望最大化估计情况下的模型参数估计是相同的. 用基于R平方系数的内在效度检验计算估计情况下的模型预测偏差. 最后,考虑缺失数据的影响,评估一个重要的指标——出行时间价值. 结果表明,在发展中城市,问卷回答者和不回答者的社会经济背景存在很大差异. 缺失率和缺失模式均对出行方式选择模型的参数和预测精度有很大影响. 考虑缺失模式的出行时间价值计算表明, 项目无回答对出行时间价值的影响被过高估计了.     

应用时间序列对高速路面性能评价指标的预测研究

探讨应用ARMA模型拟合时间序列的方法,并将其应用于路面性能预测,为路面养护管理部门提供决策依据.利用SPSS软件对某高速2001年～2008年的路面性能评价指标PCI的调查数据进行建模,并利用所建模型对2009年PCI进行预测,将预测值与实际值进行比较.ARMA(2,2)模型较好地拟合了既往时间的PCI序列,其对20...     

基于生成式对抗网络的路网交通流数据补全方法

交通信息的完整性直接影响着城市交通管理的效率.针对城市道路交通中因路段检测器覆盖不全或设备损坏等造成的流量检测数据缺失问题,本文提出基于生成式对抗网络 (Generative Adversarial Network,GAN)算法的交通流量数据补全方法.首先,以路段实际流量为基础,进行图像化处理生成路网二维信息图;其次,计算考虑时空信息补偿的路网关联矩阵,利用GAN算法分析并实现路网二维信息图缺失部分的补全,进而得到路段交通流量的完整数据;最后,利用实际数据,对比分析了本文方法与相空间重构的卡尔曼滤波方法对缺失数据的补全情况.实例分析结果验证了本文方法的可行性和有效性.     

情景分析法在停车需求预测中的应用研究

针对传统停车需求预测方法预测情景单一的情况,提出了基于情景分析法的停车需求预测方法。通过分析停车需求状况,设定了未来可能出现的3种情景,并对停车需求影响因素进行了分析。利用SPSS软件对数据进行了处理分析,确定了各个情景的停车需求预测模型以及模型中的参数。最后,以2017年为预测基年,对各情景下停车需求的发展趋势进行预测。     

基于数据挖掘算法的汽车销售预测模型的应用研究

针对中国汽车工业协会的汽车历史销量数据,利用时间序列法和RBF神经网络法进行汽车销售量预测,利用SPSS18.0统计软件建立了RBF神经网络模型,最终对几种预测方法进行了对比研究。结果证明:RBF神经网络具有更精确的预测值。     

基于图正则化和Schatten-p范数最小化的交通数据恢复

为充分利用交通数据低秩特性与局部近邻关系，准确恢复交通数据采集系统中的缺失数据，首先，应用基于核范数的低秩矩阵补全模型对交通数据矩阵进行预插补，以获得缺失值的初始估计，基于此，构建表征数据局部近邻结构的图模型；然后，提出融合图正则化和Schatten-p范数最小化的交通数据缺失值恢复模型；进一步，提出基于交替方向乘子框架的优化算法，求解缺失值恢复的最优化问题，得到最终的数据恢复结果；最后，用实际的高速公路交通流量和速度数据比较多种方法的恢复误差，同时给出所提方法的参数敏感性分析. 实验结果表明:在完全随机缺失、随机缺失和混合缺失模式下，缺失率为10% ~ 50%时，相比于局部最小二乘、概率主成分分析和低秩矩阵补全等方法，基于图正则化和Schatten-p范数最小化的算法恢复误差降低了3.02% ~ 28.49%.      

基于Extendsim的多产品(s,S)库存系统仿真及优化研究

库存成本占物流系统总成本的较大比例,采用科学库存策略,维持合理的库存量,可有效控制库存运作成本。通过对多产品库存系统的仿真来研究多产品库存策略决策变量的取值,采用Extendsim软件对多产品(s,S)库存系统进行仿真,建立由数据存储、顾客需求处理、查询与订货处理及数据计算4部分构成的仿真模型,采用软件内置Optimizer模块对模型进行优化,得到多产品库存策略的最优值。     

基于K-S检验法和ALTA的IGBT模块可靠性寿命分布研究

为了获得绝缘栅双极晶体管(insulated gate bipolar transistor,IGBT)的寿命信息及确定其寿命分布,提出了一种利用Kolmogorov-Smirnov检验法和加速寿命测试数据分析软件(accelerated life testing dataanalysissoftware,ALTA)对其加速寿命试验数据进行研究的新方法。该方法首先对IGBT模块寿命做对数正态分布假设,然后利用K-S检验法对一组IGBT加速寿命数据进行Weibull、对数正态等分布检验对比分析,进而利用ALTA对另一组IGBT加速寿命数据进行仿真分析,结果表明在阿伦尼斯(Arrhenius)加速模型下,IGBT模块寿命服从对数正态分布。该方法使得快速估算IGBT模块寿命成为可能。     

基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System，AIS)在实际应用中存在错误数据频发、数据丢包等问题，本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法，利用去噪实现轨迹重构，同时，实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐，将轨迹数据转化为轨迹矩阵，从而补全轨迹中的缺失值。由于补全结果存在非常大的误差，因此，引入 PLR(Patch-Based Low-Rank Minimization)算法去噪，消除误差。同时，为进一步提升补全效果，通 过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF (Intrinsic Mode Function)，并分别进行PLR去噪，合并去噪结果，得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象，通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性；并与 HALRTC(High-Accuracy Low-Rank Tensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较，结果表明， 该方法相较于HALRTC等方法具有更高的精度，并在高损失率下表现出较好的重构效果。     

基于改进低秩矩阵补全的交通量数据缺失值插补方法

提出了一种低秩矩阵补全的改进方法以研究道路交通量数据缺失值插补问题。应用基于核范数的低秩矩阵补全对交通量数据矩阵中的缺失值进行第1轮插补; 通过层次聚类算法将交通量数据划分为不同类别, 使得同类中的数据具有较强相关性, 异类中的数据具有较弱的相关性; 在每类样本上应用低秩矩阵补全得到缺失值的第2轮插补; 为了减少聚类数的影响, 提出最小二乘回归集成学习方法将不同聚类数下的插补结果进行融合, 得到最终的交通量数据插补结果; 用美国俄勒冈州波特兰市的交通量数据比较了5种方法的插补误差, 并分析了不同聚类数和距离度量方法的影响。研究结果表明: 在完全随机缺失模式下, 缺失率为10%~60%时, 其相对于传统的低秩矩阵补全模型的插补误差降低了5.93%~9.11%;在随机缺失和混合缺失模式下, 插补误差也分别降低了8.32%~9.55%和8.14%~9.20%;集成不同聚类数下的多个插补结果比单一聚类数下的插补误差降低2.62%~4.76%。可见, 在3种数据缺失模式下, 改进低秩矩阵补全方法降低了交通量数据的插补误差, 能有效提高插补后交通量数据的有效性。      

Effects of Item Nonresponses on the Performance of Travel Mode Choice Models for Developing Cities: A Comparative Analysis

To enhance the quality of transportation planning and policy making, it is necessary to properly deal with the nonresponse issues in transport surveys. However, such nonresponse issues especially in developing countries have been ignored in literature. This paper first statistically identifies the missing patterns of item nonresponse (INR) in person trip survey data collected in developing cities and then analyzes the effects of INR on the performance of travel mode choice model (an aggregated multinomial logit model) based on expectation-maximization (EM) imputation method. As a case study, three developing cities representing three levels of INR are analyzed as follow. Firstly, the statistically significant social-economic attributes of trip makers and trip-context factors are identified with respect to INR in the missing pattern analysis by using Chi-Square test method. Secondly, EM imputation based on missing pattern analysis is applied to deal with missing data to obtain the unbiased data set as a benchmark. Thirdly, the null hypothesis that the model parameters estimated with and without imputation are equal is statistically tested using independent-sample T tests and further the internal validity performed in terms of R-squared coefficients is used to identify the discrepancy of model predictions between with and without imputations. Finally, one critical indicator – value of travel time (VOTT) is evaluated considering the effects of missing data. The results confirm that the respondents and non-respondents are quite different in terms of the social-economic background in the developing cities and further show that not only the missing rates but also the missing patterns greatly affect the performance of mode choice model in terms of model parameters and the prediction ability. The calculation of VOTT reveals that the VOTT affected by INR tends to be overestimated.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

列车轴温监测数据软测量方法

为解决监测数据缺失导致的轴温监测系统误诊和漏诊率较高的问题, 提出了一种基于数据特征分析的轴温监测数据软测量方法; 通过轴温监测点的布局与相关性分析, 确定了监测数据软测量的源数据范围; 采用自组织特征映射算法, 通过对源数据归一化、优胜区域定义与隶属度优化, 实现了轴温数据本征维数确定与数据聚类; 引入多维尺度分析方法, 通过数据间距的相似性量化与距离矩阵特征值分解, 实现了轴温数据的类内降维; 采用多维尺度分析方法对类间降维数据再次降维, 提出了一种分步式降维方法, 构建了信息量最大化与计算量最小化的平衡策略; 采用深度学习栈式自编码器方法提取类间降维数据的内部特征, 构建了缺失轴温数据的软测量模型。研究结果表明: 基于降维数据的软测量方法的时间效率比基于原始数据的软测量方法高14.25%;2种方法的精度相当, 当一维数据缺失时, 数据软测量的平均精度可达99.83%;当二维数据缺失时, 平均精度可达99.75%;当三或四维数据缺失时, 平均精度均可达99.16%;在满足最大允许误差2.5%、误差容忍度1.0%条件的情况下, 针对任意缺失维度不高于四维的情况, 提出的方法可有效地实现高精度与高效率的缺失数据恢复。      

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

智能化滚珠丝杠副退化状态的评估方法

现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集. 针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性. 研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.