关键词:
智能交通
随机缺失
长短期记忆神经网络
交通速度插值
摘要:
针对交通速度值存在随机缺失,不同缺失率数据特征不同的情况,文中将真实交通速度值划分为训练集和测试集进行实验,在测试集数据缺失10%~100%的条件下,基于长短期记忆神经网络(LSTM)的插值方法与基于统计学插值方法中的均值法、最后观测值法,以及基于浅层机器学习插值方法中的支持向量回归法(SVR)、随机森林法(RF)进行对比分析。实验结果表明,随着缺失比例的增加,不同方法的插值结果相差逐渐增大,相比于次优插值方法,基于LSTM的插值方法在各种缺失率下的平均绝对误差、均方根误差和平均绝对百分比误差分别平均提升18.232%、15.714%和17.195%。从而证明基于LSTM的插值方法精度更高,能够有效增强交通速度序列的完整性。