基于ETC收费数据的高速公路交通流数据修复及实时预测

摘要

通过填补缺失数据提升交通流数据质量，对高速公路交通流数据进行准确实时预测，本研究首先采用低秩张量分解理论对缺失数据进行修复，利用基于注意力机制的卷积长短期记忆神经网络构建预测模型，并使用山东省高速公路收费系统实际交通流数据对本研究提出的方法进行验证。结果表明：通过对缺失数据进行分类识别，利用混淆矩阵确定识别缺失数据的阈值，引入三维张量模型采用低秩张量补全方法进行缺失数据修复，相较于拉格朗日插值法、KNN以及SVR方法，本方法修复数据效果最优；本研究提出的交通流组合预测模型，相较于SVR、CNN、LSTM和CNN-LSTM四种预测方法，在不同路段、工作日和非工作日均具有更高的预测精度，流量预测的均方误差M_SE和平均绝对百分比误差M_APE分别下降22.47%和8.41%,平均速度预测的M_SE和M_APE分别下降42.83%和6.32%。本研究提出的模型为高速公路交通状态预测方法研究提供了新思路。

关键词

高速公路 / 交通数据修复 / 时空相关性 / 交通流参数预测 / 深度学习

基金资助

国家重点研发计划资助项目(2023YFB2603504); 山东省重点研发计划资助项目(2020CXGC010117)