基于时空特性和灰色残差的交通故障数据诊断与修复

doi:10.3969/j.issn.1674-0696.2020.09.02

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (09): 8-16.DOI: 10.3969/j.issn.1674-0696.2020.09.02

• 交通+大数据人工智能 • 上一篇下一篇

基于时空特性和灰色残差的交通故障数据诊断与修复

陆百川1,2，张冬梅1，舒芹1，李玉莲1

(1. 重庆交通大学交通运输学院，重庆 400074； 2. 重庆交通大学重庆山地城市交通系统与安全实验室，重庆 400074)

收稿日期:2019-04-17 修回日期:2019-06-19 出版日期:2020-09-18 发布日期:2020-09-22
作者简介:陆百川（1961—），男，江苏南通人，教授，主要从事智能交通、交通信息工程及控制方面的研究。E-mail：656542576@qq.com 通信作者：张冬梅（1995—），女，四川乐山人，硕士研究生，主要从事交通信息工程及控制方面的研究。E-mail：838292401@qq.com
基金资助:
中国博士后科学基金面上项目（2016M592645）

Diagnosis and Repair of Traffic Fault Data Based on Spatio-Temporal Characteristics and Grey Residual

LU Baichuan1,2, ZHANG Dongmei1, SHU Qin1, LI Yulian1

(1. School of Traffic &Transportation, Chongqing Jiaotong University, Chongqing 400074, China; 2. Key Laboratory of Traffic System & Safety in Mountain Cities, Chongqing Jiaotong University, Chongqing 400074, China)

Received:2019-04-17 Revised:2019-06-19 Online:2020-09-18 Published:2020-09-22

摘要/Abstract

摘要： 针对交通检测器获取的数据可能存在不完整或异常等问题，同时路网中交通流数据之间存在时间相关和空间相关的特征，笔者提出了基于时空特性和灰色残差的交通故障数据诊断与修复方法。在分析故障数据特点基础上考虑交通流数据存在的时间、空间特性，建立基于马氏距离（MD）的故障数据诊断模型；然后利用灰色关联模型计算出时空维度相关系数，选择强关联路段时空相关数据建立基于灰色—遗传小波神经网络（GM(1,N)-GA-WNN）的故障数据修复模型。研究结果表明：基于GM(1,N)-GA-WNN模型的故障数据诊断与修复的平均相对误差与GM-WNN模型相比降低了1.7%，与GM(1,N)模型相比降低了4.8%；考虑时空特性的故障数据修复精度优于单一时间、空间修复序列，为道路交通预测、交通诱导等服务提供可靠的数据保障。

关键词: 交通工程, 交通流, 灰色关联分析, 故障诊断, 数据修复, 时空特性

Abstract: The data acquired by traffic detectors may be incomplete or abnormal, and there were temporal and spatial correlations between traffic flow data in the road network, so the traffic fault data diagnosis and repair method based on spatio-temporal characteristics and grey residuals was proposed. Firstly, on the basis of analyzing the characteristics of fault data, the temporal and spatial characteristics of traffic flow data were considered, a fault data diagnosis model based on Mahalanobis distance (MD) was established. Secondly, the correlation coefficients of spatial-temporal dimension were calculated by using grey correlation model, and the time-spatial correlation data of strongly correlated sections were selected to establish the fault data repair model based on grey-genetic wavelet neural network (GM(1,N)-GA-WNN). The case study shows that the average relative error of fault data diagnosis and repair based on GM(1,N)-GA-WNN model is 1.7% lower than that of GM-WNN model and 4.8% lower than that of GM (1, N) model. Meanwhile, the accuracy of fault data repair considering spatio-temporal characteristics is better than that of single time and space repair sequence, which provides reliable data guarantee for road traffic prediction, traffic guidance and other services.

Key words: traffic engineering, traffic flow, grey correlation analysis, fault diagnosis, data repair, spatio-temporal characteristics

中图分类号:

U491.1

陆百川1,2，张冬梅1，舒芹1，李玉莲1. 基于时空特性和灰色残差的交通故障数据诊断与修复[J]. 重庆交通大学学报（自然科学版）, 2020, 39(09): 8-16.

LU Baichuan1,2, ZHANG Dongmei1, SHU Qin1, LI Yulian1. Diagnosis and Repair of Traffic Fault Data Based on Spatio-Temporal Characteristics and Grey Residual[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(09): 8-16.

参考文献

［1］李晓璐. 基于多源信息处理技术的交通状态判别研究［D］. 重庆:重庆交通大学,2017.
LI Xiaolu. Traffic State Identification Based on Multisource Information Processing Technique ［D］. Chongqing: Chongqing Jiaotong University, 2017.
［2］王兵，郭杜杜. 交通信息技术及应用［M］. 北京：机械工业出版社，2016.
WANG Bing, Guo Dudu. Transportation Information Technology and Application ［M］. Beijing: China Machine Press, 2016.
［3］刘亮平,贾利民,秦勇,等.交通流数据的采集与数据故障的检验［J］.物流技术,2010,29(8):47-49+53.
LIU Liangping, JIA Limin, QIN Yong,et al. Data collection and failure detection of traffic flow［J］. Logistics technology, 2010, 29 (8): 47-49+53.
［4］毛嘉莉,金澈清,章志刚,等.轨迹大数据异常检测:研究进展及系统框架［J］.软件学报,2017,28(1):17-34.
MAO Jiali, JIN Cheqing, ZHANG Zhigang,et al. Anomaly detection for trajectory big data: Advancements and framework ［J］.Journal of Software, 2017,28(1):17-34.
［5］郭敏,蓝金辉,李娟娟,等. 基于灰色残差GM(1,N)模型的交通流数据恢复算法［J］. 交通运输系统工程与信息,2012,12(1):42-47.
GUO Min, LAN Jinhui, LI Juanjuan,et al. Traffic flow data recovery algorithm based on grey residual GM (1, N) model ［J］. Journal of Transportation Systems
Engineering and Information Technology, 2012, 12 (1): 42-47.
［6］ LAA I, OLABARRIETA I, VLEZ M, et al. On the imputation of missing data for road traffic forecasting: New insights and novel techniques［J］.
Transportation Research Part C: Emerging Technologies, 2018，90(5): 18-33.
［7］ LI L, LI Y, LI Z. Efficient missing data imputing for traffic flow by considering temporal and spatial dependence［J］. Transportation Research Part C:
Emerging Technologies, 2013, 34(9): 108-120.
［8］王力,李敏,闫佳庆，等.基于生成式对抗网络的路网交通流数据补全方法［J］.交通运输系统工程与信息,2018,18(6):63-71.
WANG Li，LI Min, YAN Jiaqing, et al. Urban traffic flow data recovery method based on generative adversarial network［J］. Journal of Transportation Systems
Engineering and Information Technology, 2018,18(6): 63-71.
［9］陆化普,孙智源,屈闻聪.基于动态阈值的交通流故障数据实时识别方法［J］.土木工程学报,2015,48(11):126-132.
LU Huapu, SUN Zhiyuan, QU Wencong. Real-time identification of traffic erroneous data based on dynamic threshold［J］. China Civil Engineering Journal, 2015, 48
(11): 126-132.
［10］杜威. 智能交通数据质量控制关键技术研究［D］.南京:东南大学,2017.
DU Wei. Research on the Key Quality Control Technology of Intelligent Transportation System Data ［D］. Nanjing: Southeast University, 2017.
［11］王薇,程泽阳,刘梦依,等.基于时空相关性的交通流故障数据修复方法［J］.浙江大学学报(工学版),2017,51(9):1727-1734.
WANG Wei, CHENG Zeyang, LIU Mengyi,et al. Repair method for traffic flow fault data based on spatial-temporal correlation ［J］. Journal of Zhejiang University
(Engineering Edition), 2017, 51(9): 1727-1734.
［12］徐卫,朱翔宇,刘志. 城市多源交通数据分析处理关键技术研究［J］. 浙江工业大学学报,2018,46(3):305-309+315.
XU Wei, ZHU Xiangyu, LIU Zhi. Research on the key technology of urban multi-source traffic data analysis and processing ［J］.Journal of Zhejiang University of
Technology, 2018,46(3): 305-309+315.
［13］褚鹏宇,刘澜,尹俊淞,等.融合时空信息的短时交通流预测［J］.计算机工程与应用,2016,52(12):246-250.
CHU Pengyu, LIU Lan, YIN Junsong, et al. Short-term traffic flow forecasting by fusing spatial-temporal traffic information［J］.Computer Engineering and
Applications, 2016, 52(12):246-250.
［14］陆百川, 舒芹, 马广露. 基于多源交通数据融合的短时交通流预测［J］. 重庆交通大学学报（自然科学版）, 2019, 38(5):13-19.
LU Baichuan, SHU Qin, MA Guanglu. Short-term traffic flow forecasting based on multi-source traffic data fusion［J］.Journal of Chongqing Jiaotong University
(Natural Science), 2019, 38(5):13-19.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[4]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[5]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[6]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[7]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[8]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[9]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[10]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[11]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[12]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[13]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[14]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[15]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.

基于时空特性和灰色残差的交通故障数据诊断与修复

Diagnosis and Repair of Traffic Fault Data Based on Spatio-Temporal Characteristics and Grey Residual

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics