基于粗集理论的交通流丢失数据补齐方法

王晓原; 吴芳; 朴基男

基于粗集理论的交通流丢失数据补齐方法

1.
山东理工大学交通与车辆工程学院, 山东淄博 255049
2.
南安普敦大学交通研究所, 英国南安普敦 S0171BJ

基金项目:

山东省自然科学基金项目 Y2006G32

山东省社会科学规划项目 04CMZ08

详细信息

作者简介:
王晓原(1970-), 男, 山东莱州人.山东理工大学教授, 工学博士, 从事交通流理论与模拟、智能交通系统的仿真与建模研究

中图分类号: U491.112
计量
- 文章访问数: 231
- HTML全文浏览量: 79
- PDF下载量: 415
- 被引次数: 0
出版历程
- 收稿日期: 2008-03-18
- 刊出日期: 2008-10-25

Filling method of missing data for traffic flow based on rough set theory

1.
School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255049, Shandong, China
2.
Transportation Research Group, University of Southampton, Southampton SO171BJ, UK

More Information

Author Bio:
WANG Xiao-yuan (1970-), male, professor, PhD, +86-533-2763148, wangxiaoyuan@sdut.edu.cn

摘要

摘要: 为了解决交通检测器检测到的数据存在丢失的问题, 提出了一种基于粗集理论的丢失数据补齐方法。利用检测到的交通流数据构造信息系统, 通过计算扩充可辨识矩阵, 并对其进行多次完整化分析, 实施丢失数据的补齐, 并采用英国南安普敦市的实际检测数据对算法进行了验证。研究结果表明: 同一时间段, 当仅有一个属性数据丢失时, 粗集理论的补齐精度较高, 绝对相对误差较小, 基本保持在0~5%之间; 当不同属性的数据同时丢失时, 补齐精度较低, 绝对相对误差甚至高达20%;当所有属性数据全部丢失时, 补齐精度非常低, 可视为无法实现补齐。可见, 粗集理论是一种补齐少量丢失数据的有效方法。
- 交通工程 /
- 交通流 /
- 丢失数据 /
- 粗集理论 /
- 补齐方法
Abstract: In order to solve the problem of missing data detected from traffic detectors, the algorithm of filling missing data was proposed based on rough set theory, information system was constructed by the detected traffic flow data, distinct matrix was extended and analyzed repeatedly, the missing data of information system were filled, the algorithm was validated with the data of Southampton.Analysis result shows that, at the same period, when only one attribute datum is missed, the filling precision based on rough set theory is higher, the absolute relative error is lower, and basically keeps between 0 and 5%;when different attribute data are missed simultaneously, the filling precision is lower, and the absolute relative error is up to 20%;when all attribute data are missed, the filling is unable to realize, so the algorithm is very effective to fill a spot of missing data.
- traffic engineering /
- traffic flow /
- missing data /
- rough set theory /
- filling method

HTML全文

图 1 ROUSTIDA算法流程

Figure 1. Flow of ROUSTIDA algorithm

下载: 全尺寸图片幻灯片

图 2 产生S^r+1的流程

Figure 2. Flow of producing S^r+1

下载: 全尺寸图片幻灯片

图 3 检测地点

Figure 3. Test sites

下载: 全尺寸图片幻灯片

图 4 流量原始数据

Figure 4. Fig.4 Raw data of traffic flow

下载: 全尺寸图片幻灯片

图 5 速度原始数据

Figure 5. Raw data of speed

下载: 全尺寸图片幻灯片

图 6 流量数据补齐后结果

Figure 6. Results of filled traffic flow data

下载: 全尺寸图片幻灯片

图 7 车道占有率数据补齐后结果

Figure 7. Results of filled traffic flow data

下载: 全尺寸图片幻灯片

图 8 车道占有率数据补齐后结果

Figure 8. Results of filled lane occupancy ratio data

下载: 全尺寸图片幻灯片

图 9 速度数据补齐后结果

Figure 9. Results of filled speed data

下载: 全尺寸图片幻灯片

表 1 信息系统S⁰

Table 1. Information system S⁰

U	a₁	a₂	a₃	U	a₁	a₂	a₃	U	a₁	a₂	a₃
x₁	7	66	*	x₈	*	82	78	x₁₅	*	78	75
x₂	8	76	77	x₉	8	*	71	x₁₆	9	90	83
x₃	5	47	80	x₁₀	6	61	63	x₁₇	*	85	80
x₄	9	*	78	x₁₁	9	68	*	x₁₈	11	80	75
x₅	11	87	81	x₁₂	9	71	70	x₁₉	9	*	76
x₆	9	73	75	x₁₃	10	*	80	x₂₀	10	82	*
x₇	10	80	77	x₁₄	9	80	78	x₂₁	10	85	80

下载: 导出CSV

表 2 信息系统S¹

Table 2. Information system S¹

U	a₁	a₂	a₃	U	a₁	a₂	a₃	U	a₁	a₂	a₃
x₁	7	66	*68	x₈	*10	82	78	x₁₅	*	78	75
x₂	8	76	77	x₉	8	*	71	x₁₆	9	90	83
x₃	5	47	80	x₁₀	6	61	63	x₁₇	*10	85	80
x₄	9	*80	78	x₁₁	9	68	*76	x₁₈	11	80	75
x₅	11	87	81	x₁₂	9	71	70	x₁₉	9	*68	76
x₆	9	73	75	x₁₃	10	*85	80	x₂₀	10	82	*78
x₇	10	80	77	x₁₄	9	80	78	x₂₁	10	85	80

下载: 导出CSV

表 3 信息系统S²

Table 3. Information system S²

U	a₁	a₂	a₃	U	a₁	a₂	a₃	U	a₁	a₂	a₃
x₁	7	66	*68	x₈	*10	82	78	x₁₅	*8	78	75
x₂	8	76	77	x₉	8	*76	71	x₁₆	9	90	83
x₃	5	47	80	x₁₀	6	61	63	x₁₇	*10	85	80
x₄	9	*80	78	x₁₁	9	68	*76	x₁₈	11	80	75
x₅	11	87	81	x₁₂	9	71	70	x₁₉	9	*68	76
x₆	9	73	75	x₁₃	10	*85	80	x₂₀	10	82	*78
x₇	10	80	77	x₁₄	9	80	78	x₂₁	10	85	80

下载: 导出CSV

表 4 数据对比

Table 4. Data comparison

时间	流量原始数据	算法补齐数据	绝对相对误差	时间	流量原始数据	算法补齐数据	绝对相对误差	时间	流量原始数据	算法补齐数据	绝对相对误差
07:25	61	61	0.000	11:35	66	66	0.000	15:40	80	79	0.012
08:30	54	66	0.222	11:55	80	80	0.000	16:10	122	120	0.016
09:10	73	82	0.123	12:50	80	80	0.000	16:20	88	88	0.000
09:35	70	73	0.042	13:15	71	76	0.070	17:45	108	105	0.028
09:40	113	108	0.044	13:35	85	85	0.000	17:50	111	111	0.000
10:20	89	83	0.067	14:05	81	68	0.160	19:40	68	69	0.015
10:40	99	87	0.121	14:35	87	87	0.000
11:05	77	74	0.039	14:55	83	83	0.000

下载: 导出CSV

参考文献(12)

[1]	王殿海. 交通流理论[M]. 北京: 人民交通出版社, 2002.
[2]	王晓原, 隽志才, 贾洪飞, 等. 交通流突变分析的变点统计方法研究[J]. 中国公路学报, 2002, 15 (4): 69-74. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL200204018.htm WANG Xiao-yuan, JUAN Zhi-cai, JI A Hong-fei, et al. Study of a statistical method of change-point to analyze trafficflow breakdown[J]. China Journal of Highway and Trans-port, 2002, 15 (4): 69-74. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL200204018.htm
[3]	张敬磊, 王晓原. 交通事件检测算法研究进展[J]. 武汉理工大学学报: 交通科学与工程版, 2005, 29 (2): 215-218. https://www.cnki.com.cn/Article/CJFDTOTAL-JTKJ200502014.htm ZHANG Jing-lei, WANG Xiao-yuan. Research progress oftraffic incident automatic detection algorithms[J]. Journal ofWuhan University of Technology: Transportation Scienceand Engineering, 2005, 29 (2): 215-218. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JTKJ200502014.htm
[4]	王晓原, 隽志才, 贾洪飞. 开发和评价ITS的微观交通流仿真模型[J]. 交通运输工程学报, 2002, 2 (1): 64-66. doi: 10.3321/j.issn:1671-1637.2002.01.014 WANG Xiao-yuan, JUAN Zhi-cai, JIA Hong-fei. Micro-si mu-lation models of traffic flow of developing and evaluatingITS[J]. Journal of Traffic and Transportation Engineering, 2002, 2 (1): 64-66. (in Chinese) doi: 10.3321/j.issn:1671-1637.2002.01.014
[5]	王晓原, 隽志才, 贾洪飞, 等. 基于安全间距的车辆跟驰模型研究综述[J]. 长安大学学报: 自然科学版, 2004, 24 (6): 51-54. doi: 10.3321/j.issn:1671-8879.2004.06.013 WANG Xiao-yuan, JUAN Zhi-cai, JI A Hong-fei, et al. Summarization of car-following models based on security dis-tance[J]. Journal of Chang an University: Natural ScienceEdition, 2004, 24 (6): 51-54. (in Chinese) doi: 10.3321/j.issn:1671-8879.2004.06.013
[6]	王晓原, 刘海红, 谭德荣. 交通流量变模式辨识的非参数概率变点模型[J]. 系统工程, 2006, 24 (8): 19-22. doi: 10.3969/j.issn.1001-4098.2006.08.004 WANG Xiao-yuan, LI U Hai-hong, TAN De-rong. A non-parametric probability change-point model for traffic flowrecognition[J]. Systems Engineering, 2006, 24 (8): 19-22. (in Chinese) doi: 10.3969/j.issn.1001-4098.2006.08.004
[7]	王晓原, 杨新月. 驾驶行为非参数微观仿真模型[J]. 交通运输工程学报, 2007, 7 (1): 76-80. http://transport.chd.edu.cn/article/id/200701017 WANG Xiao-yuan, YANG Xin-yue. Nonparametric micro-scopic si mulation model of driving behavior[J]. Journal ofTraffic and Transportation Engineering, 2007, 7 (1): 76-80. (in Chinese) http://transport.chd.edu.cn/article/id/200701017
[8]	耿彦斌, 于雷, 赵慧. ITS数据质量控制技术及应用研究[J]. 中国安全科学学报, 2005, 15 (1): 82-87. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK200501021.htm GENG Yan-bin, YU Lei, ZHAO Hui. ITS data quality con-trol techniques and applications[J]. China Safety ScienceJournal, 2005, 15 (1): 82-87. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK200501021.htm
[9]	陈德旺, 郑长青, 章长彪. 快速路交通流异常数据判断算法研究及实证[J]. 中国安全科学学报, 2006, 16 (7): 122-127. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK200607024.htm CHEN De-wang, ZHENG Chang-qing, ZHANG Chang-biao. An algorithmfor judging abnormal data of expressway trafficflow and its validation[J]. China Safety Science Journal, 2006, 16 (7): 122-127. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK200607024.htm
[10]	姜桂艳, 冮龙晖, 张晓东, 等. 动态交通数据故障识别与修复方法[J]. 交通运输工程学报, 2004, 4 (1): 121-125. http://transport.chd.edu.cn/article/id/200401030 JI ANG Gui-yan, GANG Long-hui, ZHANG Xiao-dong, et al. Malfunction identifying and modifying of dynamic trafficdata[J]. Journal of Traffic and Transportation Engineering, 2004, 4 (1): 121-125. (in Chinese) http://transport.chd.edu.cn/article/id/200401030
[11]	王国胤. Rough集理论与知识获取[M]. 西安: 西安交通大学出版社, 2001.
[12]	HONG T P, TSENG L H, WANGS L. Learning rules fromincomplete training examples by tough sets[J]. Expert Sys-tems with Applications, 2002 (22): 285-293.