改进神经回归算法的数据质量优化与预测

摘要：

为了满足智慧交通管理系统向智能化方向发展,一般采用毫米波交通雷达对交通流进行实时并准确地检测.由于受到时间、天气和通信故障等因素的影响,以及雷达最大作用距离的限制,数据常常存在缺失异常等情况,从而对交通流变化规律分析带来很大的影响.在研究城市道路中交通流数据质量优化及交通流变化规律的问题时,对原始交通流数据分成三份,首先采用组合检验和阈值检验,非线性回归分析、线性插值、历史均值法、粒子群多层前馈(PSO-BP)神经网络算法,分别完成异常数据的识别、更正及部分缺失数据的填补,然后建立时间序列的交通流模型、交通流参数关系模型,根据交通流内在的变化规律建立改进后的神经网络回归预测模型,完成所有缺失数据的填补,最终获得完整的高质量数据.本算法的精确度可达到95.54％,能有效进行数据质量优化与预测.

关键词：交通流参数、数据处理、线性插值、历史均值、PSO-BP

所属期刊栏目：21

分类号：TN919.5

资助基金：河北省高等学校科学技术重点研究项目;华北理工大学技术转移基金资助平台及推广项目;河北省教育厅科技基础研究项目自然科学

在线出版日期：2021-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：9418-9424