基于集群和注意力机制优化LSTM和AdaBoost的缺失流量数据归算的混合模型
Qiang Shang1, Yingping Tang2, Longjiao Yin1
1School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo, 255049, China.
Scientific reports
|November 3, 2024
概括
本研究引入了一种新的归算模型,以解决缺失的流量数据. 该模型提高了交通管理和智能运输系统的准确性和稳定性.
科学领域:
- 智能运输系统 智能运输系统
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 可靠的交通流量数据对于有效的交通管理,城市规划和智能应用至关重要.
- 缺少流量数据是一个常见的问题,阻碍了这些系统的性能.
- 现有的方法与交通流动模式内在的随机性和不稳定性作斗争.
研究的目的:
- 开发一个先进的归算模型,准确地重建丢失的流量数据.
- 为了提高智能交通系统的交通流数据的可靠性和稳定性.
- 克服当前处理随机和不稳定的交通数据的方法的局限性.
主要方法:
- 使用的k-means集群以根据交通流动模式对路段进行分组,利用空间特征.
- 采用了具有注意力机制的长短期记忆 (LSTM) 网络,以捕捉流量数据中的时间依赖性.
- 使用AdaBoost算法集成多个LSTM注意网络,创建一个强大的归算模型.
主要成果:
- 拟议的模型在各种场景中证明了在赋值缺失的流量数据方面提高了稳定性和准确性.
- 在PeMS数据集上验证了有效性,缺失数据率在不同缺失模式下从10%到60%不等.
- 在重建不完整的流量数据集方面,性能超过了多个基线模型.
结论:
- 开发的归算模型有效地解决了缺少流量数据的挑战.
- 空间聚类,基于注意力的LSTM和AdaBoost的组合显著提高了数据归算的准确性和稳定性.
- 这种方法为改善交通管理和智能运输应用提供了可靠的解决方案.
