• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于長(zhǎng)短期記憶網(wǎng)絡(luò)的斷面交通數(shù)據(jù)異常處理

    2020-10-24 01:39:46張靈康晉滔成衛(wèi)
    交通科學(xué)與工程 2020年3期
    關(guān)鍵詞:檢測(cè)模型

    張靈,康晉滔,成衛(wèi)

    (1. 昆明市公安局交通警察支隊(duì)科信處,云南 昆明 650000;2. 昆明理工大學(xué) 交通工程學(xué)院,云南 昆明 650504)

    各大、中城市交管部門相繼引進(jìn)智能交通系統(tǒng)(Intelligent Transportation Systems,簡(jiǎn)稱為ITS)進(jìn)行交通管理,積累了龐大的交通原始數(shù)據(jù)。這些交通數(shù)據(jù)在傳統(tǒng)交通領(lǐng)域和其他領(lǐng)域中,都存有極大的潛在價(jià)值[1?2]。因?yàn)閿?shù)據(jù)采集、儲(chǔ)存質(zhì)量及精度普遍不高,其平均準(zhǔn)確率不足70%[3]。所以交通原始數(shù)據(jù)的預(yù)處理是一項(xiàng)不可或缺的工作。而針對(duì)原始數(shù)據(jù)的異常判定和標(biāo)準(zhǔn)修正是核心工作。最早學(xué)者們針對(duì)交通數(shù)據(jù)的異常處理是基于數(shù)理統(tǒng)計(jì)學(xué)原理。通過(guò)研究交通數(shù)據(jù)時(shí)間和空間的相關(guān)性,結(jié)合相應(yīng)的公式、模型判定異常值。Jacobson[4]等人通過(guò)研究交通參數(shù)的閾值規(guī)律,建立了相關(guān)模型,得出了運(yùn)用閾值來(lái)判定參數(shù)異常的方法。Zhong[5?7]等人通過(guò)改進(jìn)算法,利用插值和回歸方法,修正了異常的數(shù)據(jù)點(diǎn)。Min[8]等人通過(guò)交通數(shù)據(jù)在時(shí)間和空間維度相關(guān)性高的特點(diǎn),使用鄰接數(shù)據(jù)和歷史數(shù)據(jù)等,修正異常值。部分學(xué)者對(duì)交通數(shù)據(jù)預(yù)處理進(jìn)行了探索。姜桂艷[9?10]等人針對(duì)動(dòng)態(tài)交通數(shù)據(jù),建立了一套異常評(píng)價(jià)標(biāo)準(zhǔn)和數(shù)據(jù)預(yù)處理流程。然而這類統(tǒng)計(jì)模型,難以應(yīng)對(duì)呈幾何倍數(shù)增長(zhǎng)的交通數(shù)據(jù)。

    互聯(lián)網(wǎng)技術(shù)快速發(fā)展,人工智能算法和深度神經(jīng)網(wǎng)絡(luò)開始運(yùn)用于交通領(lǐng)域。許多學(xué)者運(yùn)用數(shù)據(jù)挖掘的方法,處理交通數(shù)據(jù)。楊帆[11]等人利用雙向LSTM 網(wǎng)絡(luò)對(duì)船舶自動(dòng)識(shí)別數(shù)據(jù)進(jìn)行學(xué)習(xí),實(shí)現(xiàn)對(duì)船舶異常行為進(jìn)行檢測(cè)。Sun[12]等基于最鄰近算法(K-Nearest Neighbor, 簡(jiǎn)稱為KNN),引入時(shí)間窗概念,拓寬數(shù)據(jù)集規(guī)模,利用R 語(yǔ)言,在平臺(tái)上搭建了基于窗口的最鄰近算法。Kim[13]等人對(duì)傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化,采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, 簡(jiǎn)稱為CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,簡(jiǎn)稱為L(zhǎng)STM)。結(jié)合的C-LSTM (Convdutional LSTM 簡(jiǎn)稱為C-LSTM)模型,對(duì)大量歷史交通數(shù)據(jù)進(jìn)行了訓(xùn)練,建立了不同場(chǎng)景下的模型參數(shù),檢測(cè)對(duì)應(yīng)的數(shù)據(jù)異常值。王祥雪[14]等人對(duì)交通數(shù)據(jù)時(shí)、空特性進(jìn)行了識(shí)別和強(qiáng)化,完成短時(shí)交通流預(yù)測(cè)模型的搭建。尹 康[15]提出了交通領(lǐng)域的關(guān)聯(lián)時(shí)間序列預(yù)測(cè)模型,在空氣質(zhì)量數(shù)據(jù)集和交通數(shù)據(jù)集上,驗(yàn)證了雙通道LSTM 法的通用性和有效性。王亞萍[16]等人建立了分層貝葉斯網(wǎng)絡(luò)下的路網(wǎng)密度估測(cè)模型。因此,作者針對(duì)斷面交通數(shù)據(jù)的特征,擬運(yùn)用LSTM模型進(jìn)行異常數(shù)據(jù)的篩選及修正工作,提出了一種滑動(dòng)工作窗口和標(biāo)簽值對(duì)比的方法,優(yōu)化數(shù)據(jù)篩選和修正流程。

    1 基于LSTM 的時(shí)序回歸模型

    1.1 原始數(shù)據(jù)集標(biāo)準(zhǔn)化處理

    由于經(jīng)典交通流理論存在3 個(gè)參數(shù)(交通流量、行車速度及車流密度)。因此,對(duì)于同一斷面的相同時(shí)刻,也存在3 個(gè)維度的特征向量。因設(shè)備采集數(shù)據(jù)的限制,所以本研究斷面的原始數(shù)據(jù)為流量和速度特征向量。當(dāng)不同的特征組合時(shí),因?yàn)樘卣鞅旧聿煌谋磉_(dá)方式和量綱,絕對(duì)數(shù)值大的數(shù)據(jù)會(huì)覆蓋小數(shù)據(jù)。所以要求對(duì)數(shù)據(jù)進(jìn)行模型訓(xùn)練之前,先對(duì)抽取的特征向量進(jìn)行歸一化處理,以保證每個(gè)特征向量在訓(xùn)練模型時(shí),被平等對(duì)待。

    為了數(shù)據(jù)集標(biāo)準(zhǔn)化,采用零-均值規(guī)范化(z-score 標(biāo)準(zhǔn)化)。經(jīng)過(guò)標(biāo)準(zhǔn)化的數(shù)據(jù)均值為0,標(biāo)準(zhǔn)差為1。其標(biāo)準(zhǔn)化處理式為:

    式中:μ為原始數(shù)據(jù)的均值;σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差;x′為標(biāo)準(zhǔn)化處理之后的數(shù)據(jù)集;x為原始數(shù)據(jù)集。

    1.2 基于LSTM 的模型簡(jiǎn)述

    原始數(shù)據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后,運(yùn)用LSTM 神經(jīng)模型開始訓(xùn)練數(shù)據(jù)。LSTM 實(shí)質(zhì)上是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, 簡(jiǎn)稱為RNN)。為了解決RNN 網(wǎng)絡(luò)在處理長(zhǎng)時(shí)間序列時(shí),產(chǎn)生的梯度消失,LSTM 應(yīng)運(yùn)而生。LSTM 網(wǎng)絡(luò)的核心組成包括5 個(gè)部分。

    1) 激活函數(shù)Tanh和Sigmoid

    激活函數(shù)Tanh用于幫助調(diào)節(jié)流經(jīng)網(wǎng)絡(luò)的值,確保數(shù)值保持在(?1,1),從而控制神經(jīng)網(wǎng)絡(luò)的輸出值在合理的邊界內(nèi)部。Tanh函數(shù)式為:

    激活函數(shù)Sigmoid與Tanh函數(shù)基本一致,不同的是Sigmoid把數(shù)據(jù)值控制在0 到1 之間。該函數(shù)特點(diǎn):用于更新或忘記數(shù)據(jù)流攜帶的信息。Sigmoid函數(shù)式為:

    2) 遺忘門,可以決定數(shù)據(jù)信息的去留。其表達(dá)式為:

    式中:ft、Wf、bf分別為遺忘門的輸出向量、權(quán)值、偏置;ht?1為前一個(gè)隱藏狀態(tài)的數(shù)據(jù)信息;xt為當(dāng)前輸入的數(shù)據(jù)信息。

    3) 輸入門,可以更新細(xì)胞狀態(tài)。其表達(dá)式為:

    式中:it、Wi、bi分別為輸入門的輸出向量、權(quán)值、偏置;Wc、bc為當(dāng)前輸入狀態(tài)的權(quán)值、偏置。

    4) 細(xì)胞狀態(tài),表示當(dāng)前細(xì)胞儲(chǔ)存的數(shù)據(jù)信息。其表達(dá)式為:

    式中:Ct、Ct?1分別為當(dāng)前細(xì)胞狀態(tài)與前一個(gè)細(xì)胞狀態(tài)。

    5) 輸出門,可以計(jì)算下一個(gè)隱藏狀態(tài)的值,隱藏狀態(tài)包含了以前輸入的數(shù)據(jù)信息。其表達(dá)式為:

    式中:ht、Wo、bo分別為輸出門的輸出向量(即當(dāng)前細(xì)胞的輸出)、權(quán)值、偏置。

    通過(guò)在RNN 簡(jiǎn)單的細(xì)胞結(jié)構(gòu)中,引入門結(jié)構(gòu)產(chǎn)生了LSTM 網(wǎng)絡(luò)。LSTM 的基本結(jié)構(gòu)如圖1 所示。S 代表Sigmoid激活函數(shù);T 代表Tanh激活函數(shù)。

    圖1 LSTM 基本單元結(jié)構(gòu)Fig. 1 Basic unit structure diagram of the LSTM

    2 基于LSTM 的數(shù)據(jù)異常檢測(cè)與修正

    LSTM 網(wǎng)絡(luò)對(duì)于時(shí)間序列的數(shù)據(jù),具有優(yōu)良的回歸處理效果,常被用于自然語(yǔ)言序列處理等領(lǐng)域。由于斷面交通數(shù)據(jù)是典型相關(guān)性大的時(shí)序數(shù)據(jù)。因此,采用LSTM,進(jìn)行交通數(shù)據(jù)的擬合,有充足的前提依據(jù)。

    2.1 基于Tensorflow 的模型構(gòu)建

    LSTM 網(wǎng)絡(luò)可通過(guò)多種計(jì)算機(jī)語(yǔ)言編程實(shí)現(xiàn),而基于Python 開發(fā)的Tensorflow 框架,為該神經(jīng)網(wǎng)絡(luò)的搭建和訓(xùn)練提供了極大的便利。利用Tensorflow,封裝的大量神經(jīng)網(wǎng)絡(luò)功能和函數(shù),完成幾個(gè)代碼塊,即可通過(guò)LSTM 模型構(gòu)建。在Jupyternotebook 平臺(tái)上,使用其6 個(gè)部分,構(gòu)建了本模型。

    1) 導(dǎo)入模型搭建所需函數(shù)庫(kù)及定義常量

    先導(dǎo)入Pandas、Numpy 2 種數(shù)據(jù)處理庫(kù)和Tensorflow 工具庫(kù)。同時(shí),為了便于模型可視化,導(dǎo)入Matplotlib 繪圖工具庫(kù)。再定義隱層神經(jīng)元個(gè)數(shù)hidden-unit、隱層層數(shù)lstm-layers、輸入向量維度input-size、輸出向量維度output-size 及學(xué)習(xí)率lr 5 個(gè)常量。

    2) 導(dǎo)入原始數(shù)據(jù)

    在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中,將原始數(shù)據(jù)按一定比例分為訓(xùn)練集、驗(yàn)證集及測(cè)試集。訓(xùn)練集數(shù)據(jù)用于模型的訓(xùn)練(對(duì)測(cè)試集中的異常值,進(jìn)行檢測(cè),并修正),驗(yàn)證集用于模型的性能檢測(cè),測(cè)試集用于模型的功能使用。

    3) 定義神經(jīng)網(wǎng)絡(luò)變量

    神經(jīng)網(wǎng)絡(luò)變量主要包括輸入層和輸出層的權(quán)重、偏置及 Dropout 參數(shù)。權(quán)重變量采用tf.random-normal 函數(shù),隨機(jī)向服從指定正態(tài)分布的數(shù)值中取出指定個(gè)數(shù)的值。偏置變量采用tf.constant函數(shù),從指定常量值中,取出特定形狀的向量。Dropout 參數(shù)可以有效減少過(guò)擬合現(xiàn)象,使模型泛化性更強(qiáng)。在每個(gè)訓(xùn)練批次中,通過(guò)隨機(jī)使部分隱層節(jié)點(diǎn)值為0,從而減少隱層節(jié)點(diǎn)間的相互作用,減少所訓(xùn)練模型對(duì)局部特征的依賴。

    4) 搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    采用tf.nn.rnn-cell.BasicLSTMCell 函數(shù),創(chuàng)建LSTM 基本單元結(jié)構(gòu)。采用tf.nn.rnn-cell. Multi RNNCell 函數(shù),搭建多層LSTM 隱層結(jié)構(gòu)。采用tf.nn.dynamic-rnn 函數(shù),使LSTM 細(xì)胞單元結(jié)構(gòu)連接成網(wǎng)絡(luò)。同時(shí),為了滿足神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量的形狀要求。需要將輸入向量先轉(zhuǎn)成二維進(jìn)行計(jì)算。再將計(jì)算結(jié)果作為隱藏層的輸入。然后將隱藏層輸入結(jié)果,轉(zhuǎn)成三維,作為L(zhǎng)STM 細(xì)胞單元的輸入。最后將細(xì)胞單元運(yùn)算結(jié)果轉(zhuǎn)成二維,作為神經(jīng)網(wǎng)絡(luò)的輸出值。

    5) 訓(xùn)練模型

    在Tensorflow 框架中,基本操作由會(huì)話窗口的建立、數(shù)據(jù)導(dǎo)入字典與傳入占位符2 部分組成。在模型的訓(xùn)練過(guò)程中,由損失函數(shù)和優(yōu)化器2 部分完成。損失函數(shù)使用均方誤差法進(jìn)行計(jì)算,優(yōu)化器選用Adam 自適應(yīng)學(xué)習(xí)率梯度下降優(yōu)化器。在迭代過(guò)程中,通過(guò)對(duì)損失率的觀察,判斷神經(jīng)網(wǎng)絡(luò)的性能。并不斷地調(diào)節(jié)相應(yīng)參數(shù),使模型損失最小,最終達(dá)到收斂。

    6) 模型使用及可視化

    采用訓(xùn)練完成的LSTM 模型,對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)擬合,并計(jì)算相應(yīng)的偏差程度。然后使用Matplotlib 繪圖工具,對(duì)模型計(jì)算結(jié)果進(jìn)行可視化。同時(shí),為了便于對(duì)模型內(nèi)部的數(shù)據(jù)流圖有更清晰的認(rèn)識(shí),利用Tensorflow 中的Tensorboard 工具,對(duì)整個(gè)模型結(jié)構(gòu)進(jìn)行可視化。

    2.2 基于LSTM 的異常數(shù)據(jù)檢測(cè)修正算法

    在神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中,通常的做法:把2/3~4/5 的樣本數(shù)據(jù)用于訓(xùn)練,余下的樣本用于測(cè)試。但是為了保障模型的準(zhǔn)確性,以4:1 的數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集。由于模型是對(duì)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè),參與訓(xùn)練的數(shù)據(jù)需要無(wú)異常點(diǎn)的標(biāo)準(zhǔn)樣本。因此,將訓(xùn)練集稱為標(biāo)準(zhǔn)樣本集,測(cè)試集稱為異常檢測(cè)集。算法步驟為:

    1) 建立算法工作窗口W

    交通檢測(cè)設(shè)備每天采集的流量Q和速度V為二維向量,即X=(Q,V),可以得到一維標(biāo)簽,密度特征K=Q/V。用X表示每天的原始數(shù)據(jù)集,則X1,X2,…,Xn分別為第一天、第二天、…、第n天的數(shù)據(jù)。若第t天的數(shù)據(jù)存在異常點(diǎn),則獲取該天數(shù)據(jù)為檢測(cè)集Xt,那么算法工作窗口可表示為:W=

    2) LSTM 模型訓(xùn)練及運(yùn)用

    先選取工作窗口W中的標(biāo)準(zhǔn)樣本集,導(dǎo)入已經(jīng)搭建好的LSTM 網(wǎng)絡(luò)中,通過(guò)迭代運(yùn)算,得到算法所需的模型參數(shù)。其次,用模型參數(shù)對(duì)第t天的數(shù)據(jù)進(jìn)行預(yù)測(cè)擬合,得到備選數(shù)據(jù)集tX′。由于LSTM 為監(jiān)督學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò),采用密度特征向量K作為標(biāo)簽值,再次訓(xùn)練LSTM 模型,并運(yùn)用,得到校驗(yàn)標(biāo)簽值tK′。

    2.3 基于LSTM 模型的質(zhì)量控制

    為了對(duì)斷面交通數(shù)據(jù)進(jìn)行有效質(zhì)量控制,采用基于LSTM 模型的檢測(cè)修正算法,建立完整的質(zhì)量控制流程。算法流程分為L(zhǎng)STM 模型與數(shù)據(jù)處理2部分,如圖2 所示。

    3 樣本實(shí)驗(yàn)

    選取2018 年5 月份昆汕高速公路K2077 斷面采集數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。其中,初始標(biāo)準(zhǔn)樣本集為5 月1 日?4 日該斷面的流量和速度數(shù)據(jù)集,5 月5日的對(duì)應(yīng)數(shù)據(jù)集則為異常檢測(cè)集。同時(shí)計(jì)算出所需標(biāo)簽值,部分檢測(cè)集數(shù)據(jù)見表1。

    圖2 基于LSTM 的交通數(shù)據(jù)質(zhì)量控制流程Fig. 2 Quality control of traffic data based on the LSTM

    表1 5 月5 日昆汕高速K2077 斷面部分檢測(cè)集數(shù)據(jù)Table1 Partial test set data of section K2077 of Kunming-Shantou expressway on May 5

    3.1 模型運(yùn)用

    將標(biāo)準(zhǔn)樣本集導(dǎo)入搭建完成的LSTM模型中訓(xùn)練,并不斷優(yōu)化、調(diào)節(jié)超參數(shù)。最終各超參數(shù)取值為:隱層神經(jīng)元個(gè)數(shù)hidden_unit=10;隱層層數(shù)lstm_layers=2;學(xué)習(xí)率lr=0.0006;輸入向量維度input_size=2;輸出向量維度output_size=1;batchsize=60;time_step=20。模型訓(xùn)練迭代過(guò)程中,損失函數(shù)會(huì)隨著訓(xùn)練次數(shù)的增加而不斷降低。直到訓(xùn)練次數(shù)達(dá)到一定時(shí),即使繼續(xù)訓(xùn)練,也無(wú)法使損失函數(shù)明顯降低,此時(shí)的訓(xùn)練次數(shù)可作為合適的迭代次數(shù)參數(shù)。

    在本次實(shí)驗(yàn)中,當(dāng)?shù)螖?shù)達(dá)到50 次時(shí),基本完成收斂。訓(xùn)練模型完成后,調(diào)出模型相關(guān)參數(shù),運(yùn)用模型,得出備選數(shù)據(jù)集和校驗(yàn)標(biāo)簽值。

    3.2 異常數(shù)據(jù)處理

    運(yùn)用LSTM 模型,計(jì)算出校驗(yàn)標(biāo)簽值與異常檢測(cè)集的標(biāo)簽值。采用修正算法進(jìn)行計(jì)算,得到最終的校驗(yàn)集。通過(guò)對(duì)昆汕高速公路K2077 斷面校驗(yàn)集的異常判定,篩選出5 月5 日異常檢測(cè)集的異常點(diǎn),對(duì)應(yīng)i分別為:1,13,32,41,59,61,81,83,141。為驗(yàn)證所提出的異常檢測(cè)算法的實(shí)用性,滑動(dòng)工作窗口,繼續(xù)對(duì)5 月6 日?8 日數(shù)據(jù)進(jìn)行檢測(cè),從而檢測(cè)出每個(gè)檢測(cè)數(shù)據(jù)集中的異常點(diǎn)。為了量化基于LSTM 模型標(biāo)簽值的異常檢測(cè)算法的檢測(cè)準(zhǔn)確率,計(jì)算出5日?8 日檢測(cè)率分別為 81.82%,83.33%,91.67%,84.62%;誤檢率分別為11.11%,10%,9.09%, 9.09%。計(jì)算結(jié)果表明:模型檢測(cè)率均值超過(guò)85%,而誤檢率均值不足10%。由于實(shí)驗(yàn)采用的標(biāo)準(zhǔn)樣本集僅為前4 天的數(shù)據(jù),訓(xùn)練樣本數(shù)只有576 個(gè)。因此,當(dāng)數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)樣本足夠多時(shí),會(huì)提高該模型準(zhǔn)確率。

    針對(duì)5 月5 日檢測(cè)篩選出的異常點(diǎn),對(duì)基于LSTM 模型的備選數(shù)據(jù)集進(jìn)行修正替換。更新前后的數(shù)據(jù)集如圖3 所示。從圖3 可以看出,異常點(diǎn)位分布較為均勻,基于LSTM 模型的檢測(cè)算法泛化性能良好,異常檢測(cè)效果突出。同時(shí),為了對(duì)修正結(jié)果有更清晰地認(rèn)識(shí),使用相對(duì)誤差指標(biāo),對(duì)5 月5 日檢測(cè)集的9 個(gè)修正值進(jìn)行量化分析,求出對(duì)應(yīng)時(shí)刻索引1, 13, 32, 41, 59, 61, 81, 83, 141 的相對(duì)誤差,分別為12.68%, 10.26%, 8.51%, 16.21%, 8.69%, 7.16%,15.03%, 7.11%, 10.02%,得到整個(gè)修正算法的平均相對(duì)誤差為10.7%。各個(gè)異常點(diǎn)之前的相對(duì)誤差波動(dòng)范圍均在4.55%以內(nèi)。表明:基于LSTM 模型的修正算法性能穩(wěn)定,整體修正效果良好。

    3.3 多方法對(duì)比分析

    基于LSTM 模型修正法,計(jì)算得到5 月5 日異常檢測(cè)集中的異常點(diǎn)位及修正值。將標(biāo)準(zhǔn)樣本進(jìn)行更新后,異常值與修正值對(duì)比結(jié)果見表2。

    在檢測(cè)集異常點(diǎn)的修正過(guò)程中,如果出現(xiàn)某一特征向量修正結(jié)果與異常值相同的情況,這是因?yàn)長(zhǎng)STM 模型將二維特征向量數(shù)據(jù)集導(dǎo)入訓(xùn)練時(shí),一維特征的變化程度遠(yuǎn)大于另一維特征的。所以在數(shù)據(jù)修正時(shí),會(huì)優(yōu)先考慮修正變化大的特征向量。在本算例分析中,由于所取斷面為高速公路數(shù)據(jù),速度特征變化極小。因此,會(huì)有修正,其結(jié)果見表2。

    圖3 基于LSTM 模型的數(shù)據(jù)修正Fig. 3 Data correction graph based on LSTM model

    為了橫向比較基于LSTM模型數(shù)據(jù)異常處理算法的有效性,選取基于短集合的移動(dòng)平均修正和基于時(shí)間相關(guān)的歷史數(shù)據(jù)修正2 種方法作為對(duì)比論證。每種方法修正的數(shù)據(jù)分別與對(duì)應(yīng)窗口數(shù)據(jù)集的平均值作相對(duì)誤差(Relative Error,簡(jiǎn)稱為RE)及均方根誤差(Root Mean Squared Error,簡(jiǎn)稱為RMSE)計(jì)算。3 種方法對(duì)異常點(diǎn)的修正誤差分析見表3。

    表2 異常數(shù)據(jù)修正對(duì)比Table 2 Comparison of abnormal data correction

    從表3 可以看出:①歷史數(shù)據(jù)修正方法實(shí)用性較差。雖然交通數(shù)據(jù)具備時(shí)間相關(guān)性的特點(diǎn),但因采集時(shí)間間隔較短,數(shù)據(jù)波動(dòng)較大。所以基于歷史數(shù)據(jù)的修正方法,會(huì)出現(xiàn)較大的誤差。②雖然基于鄰接數(shù)據(jù)移動(dòng)平均的修正方法優(yōu)于歷史數(shù)據(jù)修正。但是,這種方法對(duì)于數(shù)據(jù)集的內(nèi)部規(guī)律,挖掘不夠深入,算法性能不穩(wěn)定,修正數(shù)據(jù)時(shí),會(huì)出現(xiàn)較大的波動(dòng)。③基于LSTM 模型,修正算法深入挖掘了數(shù)據(jù)信息,算法誤差小,且具備很強(qiáng)的魯棒性。在大數(shù)據(jù)背景下,可以對(duì)龐大的交通原始數(shù)據(jù)進(jìn)行異常處理。

    表3 3 種方法誤差對(duì)比Table 3 Error comparison of three methods

    4 結(jié)語(yǔ)

    原始數(shù)據(jù)中異常數(shù)據(jù)的檢測(cè)與修正是預(yù)處理過(guò)程中的核心環(huán)節(jié)。本研究提出了基于LSTM 模型的數(shù)據(jù)異常處理算法,得到的結(jié)論為:

    1) LSTM 模型對(duì)交通時(shí)序數(shù)據(jù)訓(xùn)練結(jié)果,表現(xiàn)優(yōu)異,可快速處理大量原始數(shù)據(jù)。

    2) 檢測(cè)修正算法從整體上優(yōu)化了數(shù)據(jù)質(zhì)量,彌補(bǔ)了傳統(tǒng)算法的局限性。

    3) 工作窗口的建立,精簡(jiǎn)了算法流程,提升了數(shù)據(jù)修正的精度。由于深度學(xué)習(xí)的要求,需要質(zhì)量高的大量歷史數(shù)據(jù)作為樣本訓(xùn)練,因此,有待進(jìn)一步研究。

    猜你喜歡
    檢測(cè)模型
    一半模型
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    精品一区在线观看国产| 高清黄色对白视频在线免费看| 天天操日日干夜夜撸| 这个男人来自地球电影免费观看| 久久久国产一区二区| 99久久综合免费| 啦啦啦啦在线视频资源| 十八禁网站网址无遮挡| 国产黄频视频在线观看| 国产精品 欧美亚洲| 最近手机中文字幕大全| 午夜免费成人在线视频| 国产精品av久久久久免费| 亚洲熟女精品中文字幕| 亚洲精品久久午夜乱码| 国产高清视频在线播放一区 | 欧美精品一区二区大全| 国产精品三级大全| 老司机亚洲免费影院| 国产在线一区二区三区精| 亚洲精品美女久久久久99蜜臀 | 成人国产一区最新在线观看 | 美国免费a级毛片| 久久人人97超碰香蕉20202| 91精品三级在线观看| 婷婷色麻豆天堂久久| 熟女少妇亚洲综合色aaa.| 亚洲欧美清纯卡通| 国产精品香港三级国产av潘金莲 | 亚洲中文字幕日韩| 91麻豆精品激情在线观看国产 | 欧美少妇被猛烈插入视频| 老司机深夜福利视频在线观看 | 一级毛片黄色毛片免费观看视频| 亚洲国产欧美在线一区| 精品一品国产午夜福利视频| 欧美变态另类bdsm刘玥| 欧美日韩成人在线一区二区| av国产精品久久久久影院| 久久久久国产精品人妻一区二区| 成人午夜精彩视频在线观看| 亚洲一区二区三区欧美精品| 成人影院久久| 97精品久久久久久久久久精品| 搡老岳熟女国产| 老司机影院毛片| 国产免费福利视频在线观看| 亚洲欧洲国产日韩| 久久热在线av| 亚洲精品久久午夜乱码| 老司机靠b影院| 亚洲久久久国产精品| 视频在线观看一区二区三区| 黄片播放在线免费| 男人舔女人的私密视频| 成在线人永久免费视频| 日韩中文字幕视频在线看片| 九色亚洲精品在线播放| 男女床上黄色一级片免费看| 99热国产这里只有精品6| 我的亚洲天堂| 午夜视频精品福利| 90打野战视频偷拍视频| 少妇的丰满在线观看| 久久精品国产综合久久久| www.自偷自拍.com| 精品国产一区二区三区久久久樱花| 国产精品秋霞免费鲁丝片| 好男人视频免费观看在线| 999久久久国产精品视频| 看十八女毛片水多多多| 亚洲欧美成人综合另类久久久| 少妇猛男粗大的猛烈进出视频| 黄色 视频免费看| 99国产精品免费福利视频| 后天国语完整版免费观看| 精品一区二区三区av网在线观看 | 亚洲综合色网址| 国产精品久久久久成人av| 日韩 欧美 亚洲 中文字幕| 国产女主播在线喷水免费视频网站| 久久久国产一区二区| 欧美精品亚洲一区二区| 久久亚洲国产成人精品v| 只有这里有精品99| 99久久99久久久精品蜜桃| 91成人精品电影| 亚洲欧美一区二区三区黑人| 国产亚洲欧美精品永久| 天堂俺去俺来也www色官网| 亚洲,欧美精品.| 成人手机av| 高潮久久久久久久久久久不卡| 老司机靠b影院| 视频区欧美日本亚洲| 国产麻豆69| 亚洲av片天天在线观看| 午夜影院在线不卡| 免费人妻精品一区二区三区视频| 精品少妇内射三级| 国产又爽黄色视频| 最新的欧美精品一区二区| 两个人看的免费小视频| 女人被躁到高潮嗷嗷叫费观| 成人亚洲欧美一区二区av| 日韩一卡2卡3卡4卡2021年| 人妻人人澡人人爽人人| 少妇被粗大的猛进出69影院| 成年人黄色毛片网站| 久久青草综合色| 欧美 日韩 精品 国产| 亚洲中文av在线| 国产一区二区在线观看av| 亚洲欧美一区二区三区久久| 免费黄频网站在线观看国产| 国产黄色免费在线视频| 日日爽夜夜爽网站| 免费黄频网站在线观看国产| 亚洲精品久久久久久婷婷小说| 国产一区二区 视频在线| 另类精品久久| 午夜福利免费观看在线| 狂野欧美激情性xxxx| 在线 av 中文字幕| www.999成人在线观看| 亚洲av成人精品一二三区| 亚洲欧美一区二区三区久久| 久久精品aⅴ一区二区三区四区| 国产精品 国内视频| 久久影院123| 中文字幕制服av| 国产精品一区二区在线观看99| 亚洲免费av在线视频| www日本在线高清视频| 另类亚洲欧美激情| 少妇人妻 视频| 久久精品亚洲熟妇少妇任你| 亚洲久久久国产精品| 日本wwww免费看| 又黄又粗又硬又大视频| 1024香蕉在线观看| 国产成人av教育| 无限看片的www在线观看| 日韩电影二区| 免费观看a级毛片全部| 精品高清国产在线一区| 成年动漫av网址| 欧美日韩成人在线一区二区| 美国免费a级毛片| 人妻 亚洲 视频| 国产精品成人在线| 日本欧美国产在线视频| 99国产精品免费福利视频| 色婷婷av一区二区三区视频| 欧美国产精品va在线观看不卡| 两个人免费观看高清视频| 丝袜人妻中文字幕| 丁香六月欧美| 日韩精品免费视频一区二区三区| 免费在线观看黄色视频的| 超碰成人久久| 91精品三级在线观看| 免费不卡黄色视频| 狂野欧美激情性bbbbbb| 人人妻人人澡人人爽人人夜夜| 欧美精品一区二区大全| 国产精品一区二区在线不卡| 纯流量卡能插随身wifi吗| 亚洲九九香蕉| 国产一区二区 视频在线| 99久久人妻综合| 亚洲国产精品一区二区三区在线| 黄色a级毛片大全视频| 国产一级毛片在线| 交换朋友夫妻互换小说| 欧美久久黑人一区二区| 精品亚洲成国产av| 亚洲美女黄色视频免费看| 好男人视频免费观看在线| 日韩精品免费视频一区二区三区| 久久这里只有精品19| 免费在线观看视频国产中文字幕亚洲 | 国产免费av片在线观看野外av| 两个人免费观看高清视频| 男女视频在线观看网站免费 | 十分钟在线观看高清视频www| 最新美女视频免费是黄的| 日韩欧美在线二视频| 一本大道久久a久久精品| 国产三级在线视频| 美女高潮到喷水免费观看| tocl精华| 久久久久精品国产欧美久久久| 亚洲一区中文字幕在线| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲人成77777在线视频| 亚洲色图 男人天堂 中文字幕| 级片在线观看| 亚洲三区欧美一区| 亚洲男人天堂网一区| 精品久久久久久久末码| 色av中文字幕| 婷婷精品国产亚洲av| 国产免费av片在线观看野外av| 老鸭窝网址在线观看| 91麻豆av在线| 一本综合久久免费| 美女大奶头视频| 69av精品久久久久久| 久久伊人香网站| 国产精品1区2区在线观看.| 亚洲全国av大片| 午夜福利免费观看在线| 99久久国产精品久久久| 精品久久久久久久人妻蜜臀av| 老司机靠b影院| 天堂√8在线中文| bbb黄色大片| 男男h啪啪无遮挡| 午夜影院日韩av| 亚洲成av片中文字幕在线观看| 十八禁人妻一区二区| 国产激情久久老熟女| xxx96com| 国产精品综合久久久久久久免费| 久久香蕉国产精品| 久99久视频精品免费| 国产精品野战在线观看| 日韩欧美国产一区二区入口| 日韩视频一区二区在线观看| 欧美中文日本在线观看视频| 中文字幕最新亚洲高清| 国产一级毛片七仙女欲春2 | 黄片播放在线免费| 日本免费一区二区三区高清不卡| 中文字幕人妻丝袜一区二区| 欧美日韩一级在线毛片| 欧美一级a爱片免费观看看 | 欧美一区二区精品小视频在线| 一个人免费在线观看的高清视频| 夜夜夜夜夜久久久久| 亚洲va日本ⅴa欧美va伊人久久| 99re在线观看精品视频| 欧美成人性av电影在线观看| 人人妻人人澡人人看| 9191精品国产免费久久| 最好的美女福利视频网| 中文字幕另类日韩欧美亚洲嫩草| 国产精品亚洲av一区麻豆| 老司机深夜福利视频在线观看| 日韩 欧美 亚洲 中文字幕| 99久久无色码亚洲精品果冻| 亚洲精品国产一区二区精华液| 亚洲专区字幕在线| 精华霜和精华液先用哪个| 免费女性裸体啪啪无遮挡网站| 十分钟在线观看高清视频www| 99国产精品一区二区三区| 久久国产乱子伦精品免费另类| 欧美日韩亚洲综合一区二区三区_| 在线av久久热| 曰老女人黄片| 一区二区日韩欧美中文字幕| 免费搜索国产男女视频| www.熟女人妻精品国产| 亚洲成人免费电影在线观看| 欧美激情 高清一区二区三区| 俺也久久电影网| 最新美女视频免费是黄的| 老汉色∧v一级毛片| 国产私拍福利视频在线观看| 黄片大片在线免费观看| 中文字幕久久专区| 丝袜在线中文字幕| 啦啦啦 在线观看视频| 欧美日韩一级在线毛片| 精品久久久久久久人妻蜜臀av| 国产av在哪里看| 亚洲九九香蕉| 亚洲国产中文字幕在线视频| 777久久人妻少妇嫩草av网站| 91麻豆精品激情在线观看国产| 欧美人与性动交α欧美精品济南到| 日日夜夜操网爽| 成人国产一区最新在线观看| 美女高潮到喷水免费观看| 真人一进一出gif抽搐免费| 高潮久久久久久久久久久不卡| 欧美日韩黄片免| 日韩三级视频一区二区三区| 国产真实乱freesex| 99国产精品99久久久久| 国产亚洲精品第一综合不卡| 免费看美女性在线毛片视频| 成年女人毛片免费观看观看9| 国产精品免费视频内射| 宅男免费午夜| 69av精品久久久久久| 久久国产精品人妻蜜桃| 每晚都被弄得嗷嗷叫到高潮| 黄色视频不卡| 热99re8久久精品国产| 亚洲专区字幕在线| 久久精品国产亚洲av香蕉五月| 成人手机av| 啦啦啦韩国在线观看视频| 国产高清视频在线播放一区| 欧美性猛交╳xxx乱大交人| 亚洲成国产人片在线观看| 欧美激情久久久久久爽电影| 日韩精品免费视频一区二区三区| 中国美女看黄片| 一级毛片女人18水好多| 婷婷精品国产亚洲av在线| 99国产综合亚洲精品| 久久性视频一级片| 午夜免费鲁丝| 亚洲五月色婷婷综合| 搡老岳熟女国产| 99riav亚洲国产免费| 午夜免费鲁丝| 免费看a级黄色片| a级毛片在线看网站| 啦啦啦观看免费观看视频高清| 免费看a级黄色片| 欧美在线一区亚洲| 级片在线观看| 欧美亚洲日本最大视频资源| 久久久久久久午夜电影| 成年免费大片在线观看| www日本在线高清视频| 免费电影在线观看免费观看| 久久久精品国产亚洲av高清涩受| 美女国产高潮福利片在线看| 亚洲国产欧洲综合997久久, | 日韩免费av在线播放| 狠狠狠狠99中文字幕| 观看免费一级毛片| 亚洲全国av大片| 狠狠狠狠99中文字幕| 看免费av毛片| av中文乱码字幕在线| 国产高清有码在线观看视频 | 亚洲成a人片在线一区二区| 亚洲色图av天堂| 亚洲熟妇中文字幕五十中出| 精品一区二区三区四区五区乱码| 欧美不卡视频在线免费观看 | 嫩草影院精品99| 校园春色视频在线观看| 亚洲 欧美 日韩 在线 免费| 免费高清在线观看日韩| 午夜精品久久久久久毛片777| 国产伦一二天堂av在线观看| 国产蜜桃级精品一区二区三区| 给我免费播放毛片高清在线观看| 国产激情欧美一区二区| 久久久国产欧美日韩av| av超薄肉色丝袜交足视频| 精品一区二区三区av网在线观看| 人人妻人人澡欧美一区二区| 人成视频在线观看免费观看| 免费观看精品视频网站| 欧美av亚洲av综合av国产av| 又大又爽又粗| 91九色精品人成在线观看| 国产私拍福利视频在线观看| 免费在线观看亚洲国产| 黄色成人免费大全| 变态另类丝袜制服| 狂野欧美激情性xxxx| 欧美日韩黄片免| 亚洲av第一区精品v没综合| 久久青草综合色| 国产不卡一卡二| 欧美日韩福利视频一区二区| 免费在线观看视频国产中文字幕亚洲| 丰满的人妻完整版| 国产真实乱freesex| 又黄又爽又免费观看的视频| 19禁男女啪啪无遮挡网站| 午夜成年电影在线免费观看| 日韩免费av在线播放| a级毛片在线看网站| 久久国产亚洲av麻豆专区| 午夜福利一区二区在线看| 国产成人av教育| 精品不卡国产一区二区三区| 亚洲无线在线观看| 伦理电影免费视频| 日韩精品青青久久久久久| 久久性视频一级片| 欧美绝顶高潮抽搐喷水| 亚洲成av片中文字幕在线观看| 成人三级做爰电影| 亚洲全国av大片| 一级片免费观看大全| 看片在线看免费视频| 免费av毛片视频| 国产精品亚洲av一区麻豆| 不卡一级毛片| 欧美成人性av电影在线观看| 窝窝影院91人妻| 日韩欧美一区视频在线观看| 欧美日韩一级在线毛片| 麻豆成人av在线观看| 免费看美女性在线毛片视频| 亚洲精品av麻豆狂野| 亚洲成人国产一区在线观看| x7x7x7水蜜桃| 少妇粗大呻吟视频| 一个人观看的视频www高清免费观看 | 国产精品国产高清国产av| 亚洲熟妇熟女久久| 在线播放国产精品三级| 国产亚洲精品第一综合不卡| 亚洲色图 男人天堂 中文字幕| 国语自产精品视频在线第100页| 露出奶头的视频| 亚洲男人的天堂狠狠| 999久久久国产精品视频| 国产精华一区二区三区| 女性被躁到高潮视频| 国产三级黄色录像| 中文在线观看免费www的网站 | 国产精品久久久久久精品电影 | 老熟妇乱子伦视频在线观看| 久久久国产精品麻豆| 天堂影院成人在线观看| 啦啦啦免费观看视频1| 非洲黑人性xxxx精品又粗又长| 亚洲国产高清在线一区二区三 | 欧美日韩亚洲国产一区二区在线观看| 久久久久亚洲av毛片大全| 91国产中文字幕| 亚洲av五月六月丁香网| 一个人免费在线观看的高清视频| 人人澡人人妻人| 久久人人精品亚洲av| 给我免费播放毛片高清在线观看| 婷婷亚洲欧美| 俄罗斯特黄特色一大片| 午夜免费鲁丝| 国产私拍福利视频在线观看| 久久午夜综合久久蜜桃| 欧美一区二区精品小视频在线| 一区二区三区精品91| 成年版毛片免费区| 日韩欧美免费精品| 国产精品电影一区二区三区| 国产精品免费一区二区三区在线| 亚洲精品国产区一区二| 久久精品国产亚洲av香蕉五月| 美女 人体艺术 gogo| 老汉色∧v一级毛片| av超薄肉色丝袜交足视频| 亚洲自偷自拍图片 自拍| 亚洲无线在线观看| 日韩大尺度精品在线看网址| 国产精品香港三级国产av潘金莲| 亚洲免费av在线视频| 自线自在国产av| 国产熟女午夜一区二区三区| 国产视频一区二区在线看| 国产成人精品无人区| 在线十欧美十亚洲十日本专区| 国内毛片毛片毛片毛片毛片| 黄色毛片三级朝国网站| 十八禁网站免费在线| xxx96com| 在线永久观看黄色视频| 国产区一区二久久| 日韩精品青青久久久久久| 欧美日韩福利视频一区二区| 国产一级毛片七仙女欲春2 | 久久国产精品影院| 色精品久久人妻99蜜桃| 亚洲av五月六月丁香网| 搡老妇女老女人老熟妇| 香蕉久久夜色| av在线天堂中文字幕| 成人精品一区二区免费| 天堂√8在线中文| 亚洲在线自拍视频| 日韩精品免费视频一区二区三区| 成年女人毛片免费观看观看9| 亚洲精品在线观看二区| aaaaa片日本免费| 999久久久精品免费观看国产| 一夜夜www| 精品国产国语对白av| 久久久久久久午夜电影| 99精品在免费线老司机午夜| 免费在线观看完整版高清| 天堂影院成人在线观看| 一区二区日韩欧美中文字幕| 午夜福利成人在线免费观看| 国产又爽黄色视频| 可以免费在线观看a视频的电影网站| 最好的美女福利视频网| 亚洲欧美激情综合另类| 韩国精品一区二区三区| 免费在线观看黄色视频的| 久久婷婷成人综合色麻豆| 在线观看免费日韩欧美大片| 老司机在亚洲福利影院| 欧美成人性av电影在线观看| 欧美性长视频在线观看| 国产精品二区激情视频| 桃色一区二区三区在线观看| 日韩欧美国产一区二区入口| 一边摸一边抽搐一进一小说| 日日爽夜夜爽网站| 亚洲熟妇中文字幕五十中出| 色av中文字幕| 嫩草影视91久久| а√天堂www在线а√下载| 国产精品永久免费网站| 国内少妇人妻偷人精品xxx网站 | 亚洲人成网站高清观看| 久久久久国产精品人妻aⅴ院| av欧美777| 久久久久国内视频| 成人欧美大片| 久久欧美精品欧美久久欧美| 亚洲人成伊人成综合网2020| 亚洲精品一区av在线观看| 精品无人区乱码1区二区| 成人国产一区最新在线观看| 精品熟女少妇八av免费久了| 亚洲国产欧美日韩在线播放| 亚洲人成电影免费在线| 91字幕亚洲| 18禁黄网站禁片午夜丰满| 亚洲av成人不卡在线观看播放网| 在线观看免费午夜福利视频| 午夜视频精品福利| 国产真实乱freesex| 一进一出抽搐gif免费好疼| 麻豆成人午夜福利视频| 亚洲专区中文字幕在线| bbb黄色大片| 亚洲av成人不卡在线观看播放网| x7x7x7水蜜桃| 午夜影院日韩av| 久久精品国产99精品国产亚洲性色| 亚洲,欧美精品.| 亚洲欧洲精品一区二区精品久久久| avwww免费| 久久伊人香网站| 国产私拍福利视频在线观看| 日本一本二区三区精品| 亚洲,欧美精品.| 一级毛片女人18水好多| 国产午夜精品久久久久久| 精品久久久久久久人妻蜜臀av| 午夜福利免费观看在线| 中文资源天堂在线| 黑丝袜美女国产一区| 两性午夜刺激爽爽歪歪视频在线观看 | 精品电影一区二区在线| 欧美人与性动交α欧美精品济南到| 久久久久久免费高清国产稀缺| 大香蕉久久成人网| 成人av一区二区三区在线看| 国产麻豆成人av免费视频| 色在线成人网| 老司机福利观看| 一区二区日韩欧美中文字幕| 国产aⅴ精品一区二区三区波| 天堂√8在线中文| 亚洲中文日韩欧美视频| 午夜福利免费观看在线| 国产成+人综合+亚洲专区| 亚洲欧美一区二区三区黑人| 亚洲色图av天堂| 亚洲精品久久国产高清桃花| 亚洲一区二区三区色噜噜| 人人妻人人澡人人看| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品久久电影中文字幕| 久久精品国产亚洲av香蕉五月| 国产又黄又爽又无遮挡在线| 亚洲精品美女久久av网站| 国产成人精品久久二区二区免费| 极品教师在线免费播放| 欧美精品啪啪一区二区三区| 最近最新免费中文字幕在线| 国产亚洲精品av在线| 极品教师在线免费播放| 757午夜福利合集在线观看| 1024视频免费在线观看| 亚洲精品中文字幕在线视频| 精品一区二区三区四区五区乱码| 欧美av亚洲av综合av国产av| 99热这里只有精品一区 | 午夜激情福利司机影院| 国产成人系列免费观看| 欧美日韩亚洲国产一区二区在线观看| 久久中文看片网| 一级毛片精品| 国产伦人伦偷精品视频| 一级a爱视频在线免费观看| 久久九九热精品免费| 伊人久久大香线蕉亚洲五| 十分钟在线观看高清视频www| 亚洲片人在线观看| 成人18禁高潮啪啪吃奶动态图| 日韩三级视频一区二区三区| 在线国产一区二区在线| av有码第一页| 欧美国产精品va在线观看不卡| 一边摸一边抽搐一进一小说| 色哟哟哟哟哟哟| 最新在线观看一区二区三区|