基于时空特性的交通数据补偿算法对比
数据缺失问题是交通领域中的主要难题之一.为了解决这一问题,国内外的学者在近年来提出了大量的数据补偿算法,这些算法虽然都能在一定程度上提高交通数据的准确性,但其精度和运算速度均有所区别.从已有算法中选取精度高、运算速度快的算法对提高交通系统的性能具有重要的意义.该研究以目前的主流预测算法为对象,分析了各类算法的优缺点,并选取典型的预测类补偿算法、插值类补偿算法和统计类补偿算法对PeMS线圈数据进行补偿,几种算法的准确性和运算速度的结果表明主成份分析法PPCA具有最好的补偿效果.进一步分析PPCA算法与其改进算法KPPCA和MPPCA对单点数据补偿的效果,结果表明,改进算法的补偿精度稍优于PPCA算法,但其计算时间也明显高于PPCA算法.在此基础上,分析PPCA算法和KPPCA算法对多点数据进行补偿的效果,结果表明考虑多点数据的空间关联性可以使PPCA算法和KPPCA算法的补偿精度得到明显提高.同时考虑多点数据的时间关联性和空间关联性时,KPPCA算法精度优于PPCA算法,但其运算效率明显低于PPCA算法.因此,对单点数据进行补偿或多点数据间的时间关联性不强时,选用PPCA算法进行补偿能同时获得较高的补偿精度和运算速度.在不考虑运算时间成本时,KPPCA算法可以获得更高的补偿精度.
数据补偿、主成份分析法、基于Kernel的主成份分析法、时空特征
13
TP3;U49
2017-01-11（万方平台首次上网日期，不代表论文的发表时间）
共2页
184-185
