智能交通數(shù)據(jù)預(yù)處理算法研究及應(yīng)用樣本

1緒論1.1智能交通研究背景交通可以將人和物之間互相聯(lián)系起來，在都市建設(shè)、發(fā)展和尋常運(yùn)營中起到了重要作用，咱們出行使用交通工具無不處在復(fù)雜交通線路中，通過這些線路，咱們可以到達(dá)咱們想要前去地點(diǎn)。在技術(shù)不斷發(fā)展和進(jìn)步中，交通也變得越來越安全、便利、不再昂貴運(yùn)送成本，每次交通方面進(jìn)步都會(huì)影響到諸多行業(yè)發(fā)展，帶來新就業(yè)機(jī)會(huì)，為都市發(fā)展帶來利好。公路是都市血管，公路上車輛便是都市血液，都市尋常運(yùn)作和社會(huì)發(fā)展離不開公路，得益于國內(nèi)“入世”后來國民經(jīng)濟(jì)騰飛和技術(shù)進(jìn)步，汽車業(yè)發(fā)展也隨著著人民生活水平提高迎來了自己春天，便利交通對經(jīng)濟(jì)進(jìn)一步發(fā)展和人民生活便易又提供了新生機(jī)，但事物具備兩面性，既有道路已經(jīng)局限性以消化日益增長交通工具，問題正逐漸進(jìn)入人們視線，擁堵問題、秩序雜亂無章、交通事故頻發(fā)、尾氣排放等是其重要體現(xiàn)形式[1]。在過去幾十年中，諸多都市交通問題已經(jīng)隨著都市發(fā)展變得越來越嚴(yán)重，既有基本設(shè)施已然局限性以消化過多車輛，而糟糕交通又限制了社會(huì)經(jīng)濟(jì)發(fā)展，同步耗費(fèi)了多余化石燃料，破壞環(huán)境。隨著人口不斷膨脹，車輛保有率不斷增長，既有交通狀況將變得更加糟糕。深處世界洪流中華人民共和國內(nèi)也不例外，自上個(gè)世紀(jì)末起，國內(nèi)道路擁擠問題已初現(xiàn)端倪，近年來國內(nèi)國力迅速增強(qiáng)，交通問題更加限制了經(jīng)濟(jì)持續(xù)發(fā)展和人民生活水平進(jìn)一步提高，公安部官方數(shù)據(jù)給出，截至年終，全國機(jī)動(dòng)車保有量達(dá)2.79億輛，全年新注冊登記汽車2385萬輛，保有量凈增1781萬輛，所有達(dá)到歷史最高水平。如此天量汽車行駛在全國公路上，勢必會(huì)導(dǎo)致?lián)矶拢瑢?dǎo)致經(jīng)濟(jì)損失，更為嚴(yán)重者已經(jīng)嚴(yán)重威脅了人們生命，全球每年超百萬人死于交通事故。因此，咱們必要注重交通問題并謀求解決方案。為此，世界各國采用了各自對策，但收效甚微。通過長期摸索與經(jīng)驗(yàn)積累，人們發(fā)現(xiàn)，諸多導(dǎo)致交通擁擠因素中，最為主線因素就是供求兩者間不平衡關(guān)系，一方面可以新建道路，提高總體容量，但通過調(diào)查發(fā)現(xiàn)，國內(nèi)某些大都市在上下班等高峰期，大多數(shù)公路都處在擁堵狀態(tài)，但某些道路使用率依然不高，因此僅僅采用簡樸新建道路、擴(kuò)建道路是不能從主線上解決問題，特別對于發(fā)展得比較成熟都市而言，都市早已形成規(guī)模，交通系統(tǒng)繁雜，格局不適當(dāng)變化，可分派用于道路建設(shè)土地越來越少，因而不能僅從某一方面（例如道路方面或車輛方面）來解決有關(guān)問題，成本過高、污染環(huán)境，并且此法對于紓緩交通、提高運(yùn)送效率作用并不十分明顯[2]。由此看來，綜合考慮各種因素，要想有效地解決道路問題，就要充分運(yùn)用既有道路資源、合理分派車流量，就成了當(dāng)前工作重點(diǎn)，詳細(xì)就是采用各種高科技手段相配合改造老式運(yùn)送體系辦法便成了最優(yōu)解，即綜合考慮司機(jī)、交通工具、環(huán)境智能交通系統(tǒng)（ITS）。1.2智能交通和數(shù)據(jù)預(yù)解決有關(guān)簡介1.2.1智能交通有關(guān)簡介及國內(nèi)外發(fā)展概述智能交通系統(tǒng)(IntelligentTransportationSystem，即ITS)，是將來交通系統(tǒng)發(fā)展方向，它是將先進(jìn)信息技術(shù)、數(shù)據(jù)通訊傳播技術(shù)、電子傳感技術(shù)、控制技術(shù)及計(jì)算機(jī)技術(shù)等有效地集成運(yùn)用于整個(gè)地面交通管理系統(tǒng)而建立一種在大范疇內(nèi)、全方位發(fā)揮作用，實(shí)時(shí)、精確、高效綜合交通運(yùn)送管理系統(tǒng)[3]。智能交通目的就是，對交通狀況和交通數(shù)據(jù)感知采集，將各感知終端信息進(jìn)行整合、轉(zhuǎn)換解決，以支撐分析預(yù)警與優(yōu)化管理應(yīng)用系統(tǒng)建設(shè)，分析預(yù)測及優(yōu)化管理應(yīng)用重要涉及交通規(guī)劃、交通監(jiān)控、智能誘導(dǎo)、智能停車等應(yīng)用系統(tǒng)。在沒有新建道路狀況下，充分運(yùn)用既有資源，減輕道路承擔(dān)和環(huán)境污染，使道路在安全前提下被更充分地運(yùn)用，由此，各國越來越注重智能交通建設(shè)。智能交通分為四個(gè)子系統(tǒng)，分別為：車輛控制系統(tǒng)、交通監(jiān)控系統(tǒng)、車輛管理系統(tǒng)、旅行信息系統(tǒng)。車輛控制系統(tǒng)，指輔助駕駛員駕駛汽車或代替駕駛員自動(dòng)駕駛汽車系統(tǒng)，可以精確地判斷車與障礙物之間距離。交通監(jiān)控系統(tǒng)類似于機(jī)場航空控制器，它將在道路、車輛和駕駛員之間建立迅速通訊聯(lián)系。車輛管理系統(tǒng)可以實(shí)現(xiàn)駕駛員與調(diào)度管理中心之間雙向通訊，來提供商業(yè)車輛、公共汽車和出租汽車運(yùn)營效率。旅行信息系統(tǒng)專為外出旅行人員及時(shí)提供各種交通信息系統(tǒng)。四個(gè)子系統(tǒng)如下圖。圖1-1智能交通子系統(tǒng)[4]Figure1-1Intelligenttransportationsubsystems智能交通系統(tǒng)（ITS）是一種繁雜系統(tǒng)總稱，以管理和控制為基本，依托交通信息提供服務(wù)，同步著重提高道路使用效率，由此可以緩和道路擁擠，有助于出行，當(dāng)前此辦法受到各國注重和大力推廣。它集各種高新科技之大成，需要極強(qiáng)綜合性，然而現(xiàn)行某些智能交通系統(tǒng)并沒有綜合運(yùn)用各種資源，而是各自為政、自掃門前雪，沒有形成信息實(shí)時(shí)共享，如此這般，信息潰散、高能低效，并沒有達(dá)到“智能交通”本來目。因此對于智能交通來說，其很重要一方面就是資源、數(shù)據(jù)共享，在保證盡量全面、實(shí)時(shí)地收集大量靜態(tài)和動(dòng)態(tài)數(shù)據(jù)信息同步還要兼顧各交通資源之間數(shù)據(jù)整合、輸送、融合、分析和運(yùn)用。這就需要各部門互相協(xié)調(diào)、分派工作，綜合考慮時(shí)間、地點(diǎn)、環(huán)境，將采集到天量數(shù)據(jù)進(jìn)行實(shí)時(shí)共享，這是非常重要。而實(shí)時(shí)共享，就需要依托信息技術(shù)在各單位之間建立一種統(tǒng)一且規(guī)范組織平臺，以供信息共享與交流，各部門可充分運(yùn)用平臺中所有數(shù)據(jù)，綜合分析，給出最合理最有效解決方案，此舉大大提高智能交通系統(tǒng)綜合性能，同步提高出行效率，增長效益，保護(hù)環(huán)境[5]。智能交通是一種包括了多方面高新技術(shù)復(fù)雜系統(tǒng)總稱，它浮現(xiàn)解決了諸多道路交通問題，當(dāng)前國際上將ITS項(xiàng)目分為七大類。圖1-2智能交通項(xiàng)目分類Figure1-2IntelligentTransportationProjectClassification在智能交通方面走在世界前列是美國、歐洲、日本。她們社會(huì)發(fā)展相對成熟，更超前，因此較早涉足智能交通領(lǐng)域，且有關(guān)研究由國家?guī)ь^，聯(lián)合社會(huì)各界，各取所長，共同實(shí)現(xiàn)了智能交通研發(fā)、改進(jìn)與應(yīng)用。美國于上世紀(jì)六十年代著手開發(fā)電子導(dǎo)航系統(tǒng)，并于80年代末期提出了有關(guān)戰(zhàn)略籌劃，投入巨資聯(lián)合各單位共同參加項(xiàng)目，在智能交通各系統(tǒng)領(lǐng)域獲得了長足進(jìn)展。進(jìn)入新世紀(jì)后，已經(jīng)建立了智能交通四個(gè)系統(tǒng)及眾多下屬系統(tǒng)行業(yè)原則，信息平臺建設(shè)也越來越完善。早在三十年前，歐洲便開始了對智能交通研究和其信息共享平臺建設(shè)，兩年后，歐洲十國又將研究領(lǐng)域延伸到道路自身和車輛設(shè)備，通過不懈努力，到當(dāng)前，已有很大一某些理論研究被應(yīng)用到實(shí)際當(dāng)中，并為國家?guī)砹嗣黠@經(jīng)濟(jì)利益。日本對于智能交通研究稍晚歐美幾年，但這并不妨礙日本在有關(guān)領(lǐng)域領(lǐng)跑地位，日本持續(xù)幾年內(nèi)完畢了系統(tǒng)開發(fā)與原則制定，并應(yīng)用于國家重要公路。日本高效源于政府從始至終參加，使各處力量集中在一起攻堅(jiān)克難，這樣就使日本獲得了不俗成績。國內(nèi)最初涉足智能交通領(lǐng)馭時(shí)間可以上溯到上世紀(jì)八十年代，當(dāng)時(shí)，交通部提出分批次對五個(gè)交通領(lǐng)域進(jìn)行研究，并系統(tǒng)地應(yīng)用于實(shí)際。進(jìn)入新世紀(jì)后，國內(nèi)于依照國內(nèi)國情構(gòu)建了智能交通規(guī)則系統(tǒng)，后又成立了十個(gè)試點(diǎn)都市，并在試點(diǎn)都市中開始了有關(guān)工程項(xiàng)目建設(shè)，國內(nèi)智能交通重點(diǎn)之處是信息交流平臺建設(shè)，隨著科技不斷進(jìn)步，各種通信手段日漸成熟，信息采集系統(tǒng)功能不斷完善，為國內(nèi)智能交通進(jìn)一步建設(shè)奠定了夯實(shí)基本，但即便如此，當(dāng)時(shí)國內(nèi)在信息平臺建設(shè)上還處在初級階段，多數(shù)都市依然依托原始信息系統(tǒng)，或直接進(jìn)口國外先進(jìn)軟硬件。北京奧運(yùn)會(huì)成功舉辦也加速了國內(nèi)智能交通發(fā)展，同步借鑒國外成功或失敗經(jīng)驗(yàn)，咱們很有也許“后發(fā)制人”[6]。時(shí)至今日，國內(nèi)大都市普遍成立了各種獨(dú)立交通道路指揮中心，某些中小都市也在積極推動(dòng)有關(guān)項(xiàng)目，由此可知，智能交通在國內(nèi)發(fā)展是歷史發(fā)展必然選取和趨勢。1.2.2數(shù)據(jù)預(yù)解決有關(guān)簡介數(shù)據(jù)預(yù)解決是指在重要解決此前對數(shù)據(jù)進(jìn)行某些解決。眾所周知，只有依托精準(zhǔn)數(shù)據(jù)才干做出精確決策，由于電壓突變、外界震動(dòng)、電磁干擾、儀器故障、環(huán)境條件等引起了測試儀器測量值異?；虮粶y物品位置相對移動(dòng)，就會(huì)產(chǎn)生異常數(shù)據(jù)。發(fā)現(xiàn)異常數(shù)據(jù)并剔除或做出恰當(dāng)修改會(huì)對將來對的決策起到核心作用。然而對于一切系統(tǒng)，都沒有足夠把握讓數(shù)據(jù)完全干凈，這將導(dǎo)致數(shù)據(jù)挖掘自身質(zhì)量不高。在數(shù)據(jù)挖掘過程中會(huì)由于噪聲和冗余導(dǎo)致混亂，導(dǎo)致不精確輸出。過多冗余就會(huì)在摸索知識途中導(dǎo)致性能減少并導(dǎo)致混亂，此時(shí)咱們就通過數(shù)據(jù)預(yù)解決技術(shù)提高數(shù)據(jù)精確性，進(jìn)而提高后期數(shù)據(jù)挖掘性能[7]。數(shù)據(jù)預(yù)解決模塊是數(shù)據(jù)挖掘系統(tǒng)完整必要保證，它目是發(fā)現(xiàn)任務(wù)，用新型模型整頓數(shù)據(jù)，排除無關(guān)屬性，使數(shù)據(jù)更加精準(zhǔn)、干凈、有更強(qiáng)針對性，通過數(shù)據(jù)預(yù)解決可以提高工作效率。實(shí)際應(yīng)用到數(shù)據(jù)大某些是不完整，由于臟數(shù)據(jù)存在，數(shù)據(jù)挖掘不能直接進(jìn)行，或得出成果并不令人滿意，為了應(yīng)對這種狀況，數(shù)據(jù)預(yù)解決技術(shù)就此產(chǎn)生，數(shù)據(jù)預(yù)解決意義就是：為了得到更高質(zhì)量數(shù)據(jù)成果，在數(shù)據(jù)挖掘前要進(jìn)行數(shù)據(jù)預(yù)解決，由此可以對數(shù)據(jù)做出調(diào)節(jié)，使數(shù)據(jù)更符合需求，更有效并更精確，同步去除無關(guān)項(xiàng)，使數(shù)據(jù)質(zhì)量更高。通過大量數(shù)據(jù)解決可以抹去噪音。同步存儲(chǔ)已被整合數(shù)據(jù)，數(shù)據(jù)變換同理。舉個(gè)例子，規(guī)范化有助于提高某些用于測距挖掘算法有效性和精確性[6]。數(shù)據(jù)預(yù)解決有諸多方式：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)歸約等。要在數(shù)據(jù)挖掘前應(yīng)用這些技術(shù)，由此提高挖掘質(zhì)量，減少數(shù)據(jù)挖掘時(shí)間。數(shù)據(jù)清理重要任務(wù)是使格式原則，剔除異常數(shù)據(jù)，改正錯(cuò)誤，剔除重復(fù)數(shù)據(jù)，即補(bǔ)充缺失數(shù)據(jù)、平滑噪聲、找出并剔除某些點(diǎn)來解決不一致性。數(shù)據(jù)集成就是建立數(shù)據(jù)庫，將數(shù)據(jù)合并在一起。由于普通狀況下數(shù)據(jù)挖掘工作量很大，在某些數(shù)據(jù)挖掘上耗費(fèi)較長時(shí)間，通過數(shù)據(jù)歸約可以極大地簡化工作，同步保證原始數(shù)據(jù)無損，并可以得到與未歸約近乎相似成果[8]。對于某些工程公司（例如汽輪機(jī)廠等），客觀存在著某些現(xiàn)象，例如，重復(fù)設(shè)計(jì)后零件進(jìn)入生產(chǎn)，這就導(dǎo)致了零件和文獻(xiàn)數(shù)量過于龐大，生產(chǎn)過程雜亂無章，抬升了成本，不能準(zhǔn)時(shí)完畢任務(wù)。可以分析該公司產(chǎn)品過往數(shù)據(jù)并制定特定算法，有助于工作人員理解本公司歷史產(chǎn)品、有關(guān)零部件和其過去運(yùn)用狀況。在汽車領(lǐng)域，數(shù)據(jù)預(yù)解決同樣發(fā)揮著其重要作用，公司為顧客提供更細(xì)致、更原則服務(wù)，就要采集海量數(shù)據(jù)，車企人員已經(jīng)開始注重?cái)?shù)據(jù)采集、分析，但在使用方面依然不能做到完美。國內(nèi)汽車公司基本較國外較差，有很大改進(jìn)潛力，在這樣大環(huán)境下，數(shù)據(jù)挖掘就會(huì)對公司自身發(fā)展有很大增進(jìn)作用，可以在已采集到數(shù)據(jù)中抽出修理與養(yǎng)護(hù)數(shù)據(jù)，進(jìn)行數(shù)據(jù)清理、抽取、轉(zhuǎn)換、加載，并為汽車售后單獨(dú)建立一種數(shù)據(jù)庫，運(yùn)用有關(guān)規(guī)則分析數(shù)據(jù)，對數(shù)據(jù)進(jìn)行解決[9]。1.3本文重要研究內(nèi)容交通系統(tǒng)重要特性之一就是其變化性，由于它是一種由人類干預(yù)、隨時(shí)變化且繁復(fù)系統(tǒng)，數(shù)據(jù)會(huì)隨時(shí)間地點(diǎn)變化而變化，交通占有率、速度、流量等數(shù)據(jù)也會(huì)隨之變化，由此導(dǎo)致相應(yīng)誤差。在發(fā)送過程中設(shè)備故障、線路故障、交通事故或其她因素干擾下，自然會(huì)浮現(xiàn)數(shù)據(jù)缺失與數(shù)據(jù)異常，若不經(jīng)解決，將這些數(shù)據(jù)直接反饋給交通，就會(huì)帶來安全隱患。因此，要盡量地保證數(shù)據(jù)精確、有效。本文重要目就是解決以上問題，本文簡樸簡介了智能交通研究背景，世界各國發(fā)展歷程，數(shù)據(jù)預(yù)解決有關(guān)辦法，重要研究了面對智能交通系統(tǒng)數(shù)據(jù)預(yù)解決辦法，涉及缺失數(shù)據(jù)補(bǔ)償、異常數(shù)據(jù)剔除等，運(yùn)用Matlab編寫有關(guān)程序，得出仿真，對成果進(jìn)行分析，針對不同剔除和補(bǔ)償辦法做出對比，并對將來智能交通發(fā)展前景做出預(yù)測與猜想。2面向智能交通系統(tǒng)數(shù)據(jù)預(yù)解決技術(shù)隨著傳感器技術(shù)日益進(jìn)步，咱們能輕松地在特定環(huán)境下采集某些數(shù)據(jù)，但其自身并不完美，加上外界環(huán)境干擾，通過儀器收集到數(shù)據(jù)不能保證精確，而這些不精確數(shù)據(jù)勢必會(huì)影響到接下來對于數(shù)據(jù)解決，因而在應(yīng)用前，咱們要對數(shù)據(jù)進(jìn)行預(yù)解決，重要分為兩大某些，對于異常數(shù)據(jù)就要將不合乎常理數(shù)據(jù)進(jìn)行剔除，對于缺失數(shù)據(jù)就要依托手段來進(jìn)行補(bǔ)償。如下簡要簡介了現(xiàn)階段比較流行幾種數(shù)據(jù)預(yù)解決算法。2.1智能交通數(shù)據(jù)預(yù)解決綜合簡介信息是智能交通系統(tǒng)核心，系統(tǒng)各項(xiàng)功能都緊扣信息技術(shù)，交通信息獲取與傳播則為實(shí)現(xiàn)子系統(tǒng)獨(dú)立功能和子系統(tǒng)之間聯(lián)系提供了充分保障。動(dòng)態(tài)交通信息系統(tǒng)浮現(xiàn)更好地解決了這些問題，系統(tǒng)收集占有率、速度、流量等信息通過解決再呈現(xiàn)給駕駛員，其具備實(shí)時(shí)性，可以迅速采集并發(fā)布信息，使交管人員和駕駛員等即時(shí)知曉交通現(xiàn)狀[10]。而動(dòng)態(tài)指系統(tǒng)可以將不斷變化信息之間做出對比、分析，通過成果交管人員和駕駛員就可以懂得道路狀態(tài)異常[11]。若按照功能分，動(dòng)態(tài)交通信息系統(tǒng)分為三種數(shù)據(jù)流，規(guī)定數(shù)據(jù)精確、完整、時(shí)效。圖2-1動(dòng)態(tài)交通信息系統(tǒng)數(shù)據(jù)流Figure2-1DynamicTrafficInformationSystemdataflow隨著各類因素（例如時(shí)間、道路）變化，智能交通系統(tǒng)采集到數(shù)據(jù)也隨之變化，其具備高度不擬定性和隨機(jī)性，由此引起大量噪聲與誤差，提高數(shù)據(jù)質(zhì)量核心之一就是智能交通系統(tǒng)數(shù)據(jù)預(yù)解決，涉及缺失數(shù)據(jù)補(bǔ)償、異常數(shù)據(jù)剔除。由此可見，為從在種種不利狀況下收集到智能交通數(shù)據(jù)中找到其自身法則，便于數(shù)據(jù)管理與應(yīng)用，應(yīng)尋找適當(dāng)智能交通系統(tǒng)數(shù)據(jù)預(yù)解決辦法[12]。總來講，都市中智能交通要實(shí)現(xiàn)四個(gè)目的如下圖：圖2-2都市交通四個(gè)目的Figure2-2Fourgoalsofurbantransport2.2進(jìn)行數(shù)據(jù)預(yù)解決因素、目及意義數(shù)據(jù)預(yù)解決因素是：在現(xiàn)實(shí)世界中存在著大量缺失不干凈數(shù)據(jù)，其中某些屬性不總是可應(yīng)用，某些數(shù)據(jù)由于錄入時(shí)被以為無關(guān)緊要而沒有包括在其中。沒有記錄某些數(shù)據(jù)也也許是由于理解上偏差或設(shè)備浮現(xiàn)故障。除此以外，歷史記載或修改數(shù)據(jù)也許會(huì)忽視，也可以提出某些一致性不好數(shù)據(jù)，并且要推斷出缺失數(shù)據(jù)來[13]。為了使數(shù)據(jù)質(zhì)量更高，更加有效、容易地進(jìn)行數(shù)據(jù)挖掘從而提高挖掘質(zhì)量是數(shù)據(jù)預(yù)解決目。數(shù)據(jù)預(yù)解決重要目是清除掉數(shù)據(jù)中噪聲、空缺值、不一致數(shù)據(jù)等。對于空缺值解決，普通有忽視元組、人工填寫空缺值、使用全局常量填充、使用屬性平均值填充、使用與給定元組同一類樣本平均值填充、使用最也許值填充等辦法。需要注意是，在進(jìn)行數(shù)據(jù)挖掘之前，需要對前期數(shù)據(jù)做出整頓[14]。由此可見，數(shù)據(jù)質(zhì)量提高和數(shù)據(jù)預(yù)解決是分不開，數(shù)據(jù)預(yù)解決有諸多重要意義[15]：（1）智能交通系統(tǒng)會(huì)采集到諸多實(shí)時(shí)數(shù)據(jù)，用過去人力來辨認(rèn)異常數(shù)據(jù)和缺失數(shù)據(jù)并作出剔除和補(bǔ)償不能較好地解決問題；（2）持續(xù)不斷地工作和錯(cuò)綜復(fù)雜環(huán)境大大提高了各種設(shè)備浮現(xiàn)不敏捷、故障、損壞也許性。（3）由于對于數(shù)據(jù)精度和質(zhì)量規(guī)定原則不同，就需要系統(tǒng)有針對性地給出不同解決方案。由以上可見，對數(shù)據(jù)進(jìn)行預(yù)解決可以在一定限度上是數(shù)據(jù)質(zhì)量更高，提高數(shù)據(jù)挖掘精度，性能更好?？倎碚f，就是通過數(shù)據(jù)預(yù)解決可以提高數(shù)據(jù)質(zhì)量和可用性，進(jìn)而提高數(shù)據(jù)融合質(zhì)量，依托精確信息才干做出對的判斷，并有針對性地采用有效辦法。2.3智能交通數(shù)據(jù)預(yù)解決慣用辦法隨著科技發(fā)展，傳感器也日臻成熟，但其自身不也許是完美，由于自身短處活著所處外在環(huán)境影響，經(jīng)由傳感器采集到數(shù)據(jù)不也許是百分之百精確，而不精確數(shù)據(jù)會(huì)直接影響將來數(shù)據(jù)分析與解決，并且影響會(huì)很大。因此，在應(yīng)用之前，咱們要對采集到數(shù)據(jù)進(jìn)行整頓，對數(shù)據(jù)進(jìn)行整頓階段就叫數(shù)據(jù)預(yù)解決，智能交通數(shù)據(jù)預(yù)解決重要涉及兩個(gè)某些：異常數(shù)據(jù)剔除和缺失數(shù)據(jù)補(bǔ)償。2.3.1異常數(shù)據(jù)剔除對于異常數(shù)據(jù)，是指咱們實(shí)際測得不符合常理數(shù)據(jù)或與合理范疇偏差較大少某些測量值。異常數(shù)據(jù)是不真實(shí)，不總浮現(xiàn)，并且?guī)в须S機(jī)特性，這會(huì)影像數(shù)據(jù)質(zhì)量，依托傳感器采集數(shù)據(jù)時(shí)，也會(huì)產(chǎn)生異常數(shù)據(jù)，引起異常重要因素就是傳感器自身故障，偶爾也會(huì)浮現(xiàn)某些不經(jīng)常發(fā)生但影響較強(qiáng)干擾。在智能交通領(lǐng)域，對于異常數(shù)據(jù)剔除有如下幾種辦法[1]：=1\*GB3①閾值法：即依照常理及有關(guān)規(guī)定給出某些交通參數(shù)上下限，超過此范疇數(shù)據(jù)則被認(rèn)定為異常值。=2\*GB3②交通流機(jī)理法：依照交通流機(jī)理某些規(guī)則，例如流量和占有率關(guān)系，流量和速度關(guān)系，行程時(shí)間和擁擠長度關(guān)系等等，如果采集到數(shù)據(jù)不符合這些規(guī)則，則某些數(shù)據(jù)就是異常。=3\*GB3③置信距離檢查法：或者“決策距離”比較。這個(gè)辦法檢測來自某一斷面各個(gè)傳感器相似參數(shù)，依照一致性融合，融合互相支持?jǐn)?shù)據(jù)，剔除不支持?jǐn)?shù)據(jù)，得出最后成果。=4\*GB3④格拉布斯記錄法：如果某一組數(shù)據(jù)服從高斯分布，依照概率論懂得，大某些數(shù)據(jù)都分布在合理區(qū)間內(nèi)，只有少某些異常值在區(qū)間以外，通過這種思想，我就可以將異常值剔除。需要注意是，這種辦法最佳應(yīng)用在傳感器較多時(shí)，若較少則誤差較大。=5\*GB3⑤有序樣本聚類：這種辦法是將相似數(shù)據(jù)構(gòu)成群組，在這一類群組之外數(shù)據(jù)則為孤立。采用此法把某一時(shí)段交通參數(shù)提成諸多特性相似時(shí)間段，然后依照某些特性在各種時(shí)間段里找出異常數(shù)據(jù)。2.3.2缺失數(shù)據(jù)補(bǔ)償在智能交通領(lǐng)域，對于缺失數(shù)據(jù)補(bǔ)償有如下幾種辦法：=1\*GB3①歷史均值法：依照歷史記錄數(shù)據(jù)直接應(yīng)用或按一定比例更改數(shù)據(jù)來代替缺失數(shù)據(jù)，這種辦法操作簡樸，但由于其自身特性限制，這種辦法合用于交通狀況比較穩(wěn)定期候。=2\*GB3②車道比值法：這種辦法原理是根據(jù)已記錄不同車道流量之比，對缺失車道數(shù)據(jù)進(jìn)行預(yù)估補(bǔ)償，這種辦法綜合考慮了過去和當(dāng)前各個(gè)參數(shù)，精確度較高，合用于車流比較大，車道狀況穩(wěn)定狀況。=3\*GB3③時(shí)間序列法：把各個(gè)交通參數(shù)當(dāng)作時(shí)間序列，應(yīng)用不同步間預(yù)測辦法，例如加權(quán)平均、指數(shù)平滑、簡樸平均等等，以歷史數(shù)據(jù)為根據(jù)對缺失數(shù)據(jù)進(jìn)行預(yù)計(jì)補(bǔ)償，此法操作簡樸，容易執(zhí)行，且具備普適性，是一種普遍應(yīng)用補(bǔ)償辦法[16]。=4\*GB3④有關(guān)分析法：這個(gè)辦法是在時(shí)間序列中測量各個(gè)元素之間關(guān)系，需要丟失數(shù)據(jù)時(shí)刻先后各一段時(shí)間數(shù)據(jù)為基本來進(jìn)行預(yù)估，在正常狀況下此法精度是很高，但交通事故會(huì)影響交通正常運(yùn)營，對成果產(chǎn)生影響，應(yīng)當(dāng)在應(yīng)用邁進(jìn)行交通事故判斷，如有交通事故，則換用她法。=5\*GB3⑤基于遺傳算法組合模型：這種辦法基本思想是綜合應(yīng)用各種辦法對采集到數(shù)據(jù)進(jìn)行補(bǔ)償，通過對不同補(bǔ)償辦法得到成果進(jìn)行加權(quán)平均，歷史經(jīng)驗(yàn)表白，這種辦法精確度更高，但其代價(jià)就是需要計(jì)算各種算法，比較復(fù)雜，在普通狀況下不建議采用此辦法[17]。3本文算法基本理論對于數(shù)據(jù)預(yù)解決中異常數(shù)據(jù)剔除和缺失數(shù)據(jù)補(bǔ)償，本文各簡介了三種辦法，異常數(shù)據(jù)剔除，本文重要簡介了3??準(zhǔn)則法、閾值法、t分布法；缺失數(shù)據(jù)補(bǔ)償，本文簡介了歷史均值法、時(shí)間序列法和一種數(shù)據(jù)補(bǔ)償新辦法-各種補(bǔ)償辦法權(quán)重計(jì)算下面給出了本文算法理論基本和有關(guān)簡介。3.1異常數(shù)據(jù)剔除3.1.13??準(zhǔn)則法3??準(zhǔn)則又稱為拉依達(dá)準(zhǔn)則，它是先假設(shè)一組檢測數(shù)據(jù)只具有隨機(jī)誤差，對其進(jìn)行計(jì)算解決得到原則偏差，按一定概率擬定一種區(qū)間，以為凡超過這個(gè)區(qū)間誤差，就不屬于隨機(jī)誤差而是粗大誤差，具有該誤差數(shù)據(jù)應(yīng)予以剔除。3??準(zhǔn)則在科研、工程等領(lǐng)域慣用于剔除異常數(shù)據(jù)，但需要注意是，只有數(shù)據(jù)總量較大時(shí)才可使用此辦法，至少也要10個(gè)數(shù)據(jù)以上，若數(shù)據(jù)總量過小，測量成果雖然具有異常值也很難剔除，數(shù)據(jù)總量不大于10時(shí)視為無效。同樣，對于智能交通來說，3??原則作為一種數(shù)據(jù)預(yù)解決重要方式可以用于剔除系統(tǒng)采集到異常數(shù)據(jù)，從而提高整體系統(tǒng)精準(zhǔn)度。給出正態(tài)分布或者近似正態(tài)分布，如果平均值和原則差已知，就可大體預(yù)計(jì)出它頻數(shù)分布。正態(tài)分布重要特性如下圖。圖3-1正態(tài)分布重要特性Figure3-1Themaincharacteristicsofthenormaldistribution下式為位置參數(shù)是??、尺度參數(shù)是??隨機(jī)變量X概率分布，咱們把它記為：X~Nμ?σ2它概率密度函數(shù)為：fx=1σ在正態(tài)分布中，咱們以為位置參數(shù)μ是它數(shù)學(xué)盼望或盼望，可以決定分布位置；尺度參數(shù)??為它原則差，即將它方差開平方，可以決定分布幅度。由于它形狀呈鐘形，因此人們又經(jīng)常把正態(tài)分布概率曲線稱為鐘形曲線。圖3-2鐘形曲線Figure3-2Bellcurve咱們懂得某些原則正態(tài)分布特性：其本質(zhì)依然是正態(tài)分布，只是它位置參數(shù)μ值為0，尺度參數(shù)σ2值為1?？梢赃@樣理解，在這樣一種正態(tài)分布中，它概率密度函數(shù)均值是??，方差是σ2，即原則差是??，這個(gè)正態(tài)分布fx=1可由下圖看出，紅色區(qū)域數(shù)值距平均值不大于一種原則差，黃色區(qū)域數(shù)值距平均值不大于兩個(gè)原則差，藍(lán)色區(qū)域數(shù)值距平均值不大于三個(gè)原則差，在正態(tài)分布中，在一種原則差之間數(shù)值占所有數(shù)值比率68.2%，兩個(gè)原則差之間數(shù)值占所有數(shù)值比率為95.4%，三個(gè)原則差之間數(shù)值占所有數(shù)值比率為99.7%。圖3-3原則正態(tài)分布曲線Figure3-3Standardnormaldistributioncurve在實(shí)際應(yīng)用中，經(jīng)?？紤]具備或近似于正態(tài)分布特性數(shù)據(jù)，如果這種假設(shè)精確無誤，那么就可以應(yīng)用以上規(guī)則，就是咱們常說“68-95-99.7法則”或“經(jīng)驗(yàn)法則”?？倎碚f，在以μ為均值，以σ為原則差正態(tài)分布中，圖像對稱軸為x=μ，3??數(shù)值分布在區(qū)間μ-σ,μ+σ概率為0.6826，數(shù)值分布在區(qū)間μ-2σ,μ+2σ概率為0.9544，數(shù)值分布在區(qū)間μ-3咱們近似以為，幾乎所有Y取值都在區(qū)間μ-3σ,μ+3??原則是一種檢查異常數(shù)據(jù)準(zhǔn)則，假若事先已經(jīng)修正系統(tǒng)誤差，使其在原則范疇內(nèi)，在解決數(shù)據(jù)時(shí)候重要考慮是偶爾誤差，如果某一測量偶爾誤差服從正態(tài)分布，依照正態(tài)分布公式可以求出原則偏差??，3??為極限誤差，在數(shù)據(jù)服從正態(tài)分布狀況下，偶爾誤差不在±3??區(qū)間概率只有0.27%，若用平均值取代真值，可以鑒定99.73%數(shù)據(jù)都會(huì)在±3??區(qū)域中，不在此區(qū)間數(shù)據(jù)，就被認(rèn)定為異常數(shù)據(jù)，予以剔除。正如以上以三倍原則差為界限鑒別原則，就是3??原則。3.1.2閾值法“閾”就是某個(gè)領(lǐng)域或系統(tǒng)界限或極限數(shù)值，是指一種效應(yīng)可以產(chǎn)生最低值或最高值。簡樸地說，在某些不重要場合或?qū)纫?guī)定不高時(shí)候，只要將控制對象某些參數(shù)限定在某個(gè)區(qū)間之內(nèi)，不做精準(zhǔn)解決和控制，即便略有溢出規(guī)定區(qū)間數(shù)值也不會(huì)對整體導(dǎo)致嚴(yán)重后果。在閾值控制系統(tǒng)中，由于各種因素影響會(huì)使被控對象狀態(tài)發(fā)生變化，它某些值經(jīng)常會(huì)超過所規(guī)定閾值區(qū)間，此時(shí)系統(tǒng)就會(huì)運(yùn)用傳感器進(jìn)行檢測，在某些值超過規(guī)定閾值區(qū)間時(shí)就會(huì)發(fā)出信號，再經(jīng)由執(zhí)行機(jī)構(gòu)將數(shù)據(jù)控制在預(yù)定區(qū)間，在數(shù)值剛剛超過上限時(shí)，執(zhí)行機(jī)構(gòu)便啟動(dòng)，但若在數(shù)據(jù)剛恢復(fù)正常范疇時(shí)就關(guān)閉執(zhí)行機(jī)構(gòu)，數(shù)據(jù)又會(huì)再次超過范疇，導(dǎo)致執(zhí)行機(jī)構(gòu)頻繁地啟動(dòng)，這樣會(huì)增長系統(tǒng)能耗、減少系統(tǒng)效率、縮短設(shè)備使用壽命。因而咱們要解決這個(gè)問題，雖然執(zhí)行機(jī)構(gòu)持續(xù)工作，保證被控對象數(shù)值在接近下限時(shí)候再關(guān)閉執(zhí)行機(jī)構(gòu)。智能交通中某些參數(shù)不可以超過規(guī)定界限，僅可以在其規(guī)定范疇內(nèi)上下浮動(dòng)。例如：占有率Od，其范疇區(qū)間為0≤Od≤100%，如果采集到數(shù)據(jù)不在這個(gè)范疇內(nèi)，則被視為異常數(shù)據(jù)，應(yīng)予剔除；速度閾值法有其自身長處，容易計(jì)算，合用于在線計(jì)算，但另一方面，閾值法也只能作為一種基本剔除辦法，它對于異常數(shù)據(jù)解決能力相稱有限，雖然某些數(shù)據(jù)并不在閾值區(qū)間之外，但這些數(shù)據(jù)也不一定是對的，只能剔除掉錯(cuò)誤得很離譜數(shù)據(jù)，咱們可以先運(yùn)用閾值法，再應(yīng)用其她更精準(zhǔn)算法，這樣可以減少工作量。因此咱們建議做精準(zhǔn)解決時(shí)不單獨(dú)使用閾值法，而是結(jié)合其她辦法，先粗略篩選再作精準(zhǔn)解決。3.1.3t分布法對同一信號進(jìn)行重復(fù)測量，多數(shù)狀況下測量數(shù)據(jù)符合正態(tài)分布[18]。如n個(gè)采樣值為x1，x2，?，xn則樣本平均值為：X=1ni=1樣本方差為：S2=1依照盼望與方差點(diǎn)預(yù)計(jì)理論，X是μ無偏預(yù)計(jì)值；S2是σT=X-μS2對于給定α0<α<1PX-μS2∕n≤tα∕2n-1=1-α通過查t分布表，得tα∕2n-1值，可得μ置信度是X-tα∕2n-1s∕n,X+t對于給定置信度1-α0<α<1P-tα2n-1<T<=-上式中，tα2n-1是tX-tα∕2n-1而μ落在該區(qū)間之外概率很小，屬于小概率事件，在正常測量過程中不會(huì)發(fā)生。因而取δ=tα∕2n-1n為臨界值，若xi?=1,2,…,71滿足：基于該辦法剔除環(huán)節(jié)如下：(1)將n個(gè)測量數(shù)據(jù)按從小到大順序排列，最小值為xL，最大值x(2)計(jì)算出所有測量數(shù)據(jù)算術(shù)平均值X=1ni=1nxi和測量數(shù)據(jù)方差S2=1n-1i=1nxi則S=1n-1i=1n(3)查t分布表得到tα∕2(4)計(jì)算tα∕2n-1S/n，若xi-X3.2缺失數(shù)據(jù)補(bǔ)償數(shù)據(jù)缺失時(shí)常發(fā)生，其引起因素也有諸多，也許是由于檢測設(shè)備故障等等。而數(shù)據(jù)缺失會(huì)使最后成果導(dǎo)致偏差，因而對于道路交通數(shù)據(jù)預(yù)解決來說，應(yīng)當(dāng)及時(shí)對缺失數(shù)據(jù)進(jìn)行補(bǔ)償，一下簡介幾種簡樸可行辦法。3.2.1歷史均值法根據(jù)歷史上相應(yīng)時(shí)刻數(shù)據(jù)按比例采用或直接采用歷史數(shù)據(jù)來代替缺失數(shù)據(jù)。這種辦法比較簡樸、以便，并且易于實(shí)現(xiàn)。但對于多變交通狀況來說，這種辦法精度就會(huì)大打折扣。由此可見，歷史均值法合用于交通狀態(tài)穩(wěn)定狀況[19]。3.2.2時(shí)間序列法這種辦法重要思想就是將收集到交通數(shù)據(jù)作為時(shí)間序列，再運(yùn)用不同步間序列預(yù)測法，例如，簡樸平均、加權(quán)平均、指數(shù)平滑等，由過去到當(dāng)前波動(dòng)趨勢來作為預(yù)測根據(jù)，但它有一種規(guī)定，就是在將來預(yù)測目的發(fā)展規(guī)律不會(huì)發(fā)生太大變化。數(shù)據(jù)變化有著規(guī)律性，也有其不規(guī)律性。每個(gè)時(shí)期數(shù)據(jù)，都是由諸多不同因素同步發(fā)生作用綜合成果。時(shí)間序列法簡化了預(yù)測對象和各種因素之間復(fù)雜聯(lián)系，這種辦法在分析當(dāng)前、過去、將來聯(lián)系，和將來成果與過去各種因素之間關(guān)系時(shí)，效果明顯。用這種辦法進(jìn)行數(shù)據(jù)解決時(shí)簡樸易行，適應(yīng)性比較強(qiáng)，是一種慣用缺失數(shù)據(jù)補(bǔ)充算法。但也有其自身局限性，這種辦法反映了對象單向和線性聯(lián)系，合用于預(yù)測穩(wěn)定且需要在時(shí)間方面可以穩(wěn)定持續(xù)階段，若進(jìn)行長期預(yù)測，精確性便會(huì)減少[20]。算術(shù)平均數(shù)法：在被測對象歷史數(shù)據(jù)增長狀況穩(wěn)定短期預(yù)測。移動(dòng)平均預(yù)測與算術(shù)平均法類似，綜合了各種歷史實(shí)際數(shù)據(jù)，求得平均值來預(yù)測將來值，它有一種前提，就是假設(shè)平均值中所有觀測值對將來影響是相似，但在實(shí)際應(yīng)用中，觀測值對將來數(shù)值影響是隨著觀測值與預(yù)測期之間距離減小而增大，這也是這種辦法局限性之處，還需要某些辦法來修正。加權(quán)移動(dòng)平均預(yù)測歷史數(shù)據(jù)是按照時(shí)間順序排列，不同數(shù)據(jù)對預(yù)測將來重要限度不同，所有數(shù)據(jù)都會(huì)被賦予各自權(quán)重，可以做到精準(zhǔn)預(yù)測，可知這種辦法思想是以為接近預(yù)測時(shí)間點(diǎn)變動(dòng)對將來預(yù)測影響較大，可見更為合理，但偶爾會(huì)在權(quán)重選取上受到影響。加權(quán)移動(dòng)平均預(yù)測是要將采集到歷史數(shù)據(jù)按照時(shí)間排列，對預(yù)測值來說不同數(shù)據(jù)會(huì)有不同重要性，把不同權(quán)重分派給所有數(shù)據(jù)，可以使預(yù)測成果更精確，由此可知，這種辦法以為越近期數(shù)據(jù)對將來影響越大，也更為合理，但在權(quán)重選取上需要斟酌[21]。指數(shù)平滑是加權(quán)平均一種特殊形式，其予以待預(yù)測數(shù)據(jù)近期數(shù)據(jù)更大權(quán)值，權(quán)重由遠(yuǎn)到近是指數(shù)增長趨勢，指數(shù)平滑名字也正是由此得來。時(shí)間序列法比較合用于缺失交通數(shù)據(jù)在線補(bǔ)償，只要有足夠歷史數(shù)據(jù)，就可以推測出將來數(shù)據(jù)，這種算法操作簡樸、比較可靠，并且運(yùn)營速度較快，符合交通數(shù)據(jù)預(yù)解決各方面規(guī)定。3.2.3數(shù)據(jù)補(bǔ)償新辦法-各種補(bǔ)償辦法權(quán)重計(jì)算前面幾種辦法都是運(yùn)用一種算法進(jìn)行數(shù)據(jù)補(bǔ)充，而本算法基本思想是：對于同一組數(shù)據(jù)進(jìn)行預(yù)解決，可以用各種辦法，不同辦法有其各自優(yōu)勢與劣勢，這種辦法思想就是將各種辦法組合在一起并選取不同權(quán)值，可以有效改進(jìn)不同辦法缺陷。大量實(shí)踐表白，雖然在效果普通模型中，只要將它獨(dú)立信息和一種適當(dāng)辦法結(jié)合在一起，就可以提高成果精度和可靠性。對于各種算法解決，其中一種辦法就是將不同辦法成果進(jìn)行加權(quán)平均，大量實(shí)驗(yàn)表白，通過組合可以提高精確性[22]。由于這種辦法需要分別計(jì)算不同算法，計(jì)算繁瑣且使用不以便，因而在規(guī)定不高狀況下，不建議使用這種辦法。本文采用1:1權(quán)重計(jì)算。3.3補(bǔ)償效果優(yōu)劣鑒別鑒定補(bǔ)償效果優(yōu)劣辦法為：先刪除錯(cuò)誤數(shù)據(jù)，進(jìn)行補(bǔ)償，運(yùn)營程序后將所得成果與原數(shù)據(jù)相比較，通過計(jì)算所有數(shù)據(jù)與原數(shù)據(jù)均方差，均方差較小比較穩(wěn)定，補(bǔ)償效果好。均方差，即為原則差，原則差是離均差平方和平均后方根，用σ表達(dá)。原則差在概率記錄中最常使用作為記錄分布限度上測量。原則差定義是總體各單位原則值與其平均數(shù)離差平方算術(shù)平均數(shù)平方根。原則差可以反映數(shù)據(jù)集離散限度，原則差越小，闡明數(shù)據(jù)越穩(wěn)定；反之原則差越大，數(shù)據(jù)波動(dòng)越大[23]。假設(shè)有一組數(shù)值X?，X?，X?……Xn（皆為實(shí)數(shù)），其平均值（算術(shù)平均值）為μ，均方差公式如下：σ=1Ni=1Nx4智能交通系統(tǒng)數(shù)據(jù)預(yù)解決有關(guān)算法設(shè)計(jì)接下來是本文重點(diǎn)某些，詳細(xì)簡介了所選辦法程序、數(shù)據(jù)成果和辦法對比。4.1異常數(shù)據(jù)剔除數(shù)據(jù)來自交通道路真實(shí)數(shù)據(jù)，并選用其中五分鐘交通數(shù)據(jù)，如下表：表4-1原始數(shù)據(jù)Table4-1Rawdata序號序號12345678135536034635834034634532223333282923892254382783142628432772712832792812792814494204603981147255444433271277014365381378384383370382371185316374362271135834924323324326775331491920467354923924311298485308304309312312309307310308937245337474.1.13??準(zhǔn)則法用Matlab編程，有關(guān)程序如下。X=xlsread('C:\Users\孫顯治\Desktop\江西路匹配過車.xlsx','F632:F697');Y=X;disp(Y);outliers=X>=10000;X(outliers)=NaN;ave=mean(X)；%計(jì)算平均值theta=std(X)；%計(jì)算原則差outliers=abs(X-ave)>(3*theta)；%求出離群值位置X(outliers)=NaN；%去除離群值disp(X)；%顯示解決后數(shù)據(jù)xlswrite('C:\Users\孫顯治\Desktop\江西路剔除3theta法.xlsx',X);用3??法剔除后數(shù)據(jù)見下表：表4-23??法剔除后數(shù)據(jù)Table4-23σmethodprocesseddata序號序號12345678135536034635834034634532223333282923892剔除278剔除28432772712832792812792814494剔除剔除剔除444433271剔除4365381378384383370382371剔除63743622711358剔除32332432677533剔除剔除剔除3924311298剔除83043093123123093073103089剔除剔除4.1.2閾值法由以上可知閾值法算法流程圖。圖4-1算法流程圖Figure4-1Algorithmflowchart用Matlab編程，有關(guān)程序如下。X=xlsread('C:\Users\孫顯治\Desktop\江西路匹配過車.xlsx','F632:F697');Y=X;disp(Y);ave=mean(X)；%計(jì)算平均值a=10000；%輸入閾值；outliers=abs(X-ave)>a；%求出離群值位置nout=sum(outliers)；%計(jì)算離群值個(gè)數(shù)并顯示X(outliers)=NaN；%去除離群值disp(X)；%顯示解決后數(shù)據(jù)xlswrite('C:\Users\孫顯治\Desktop\江西路剔除閾值法.xlsx',X);用閾值法剔除后數(shù)據(jù)見下表：表4-3閾值法剔除后數(shù)據(jù)Table4-3Dataafterexcludingthethresholdmethod序號序號12345678135536034635834034634532223333282923892剔除278剔除2843277271283279281279281449420460剔除剔除444433271剔除43653813783843833703823711853163743622711358剔除3233243267753314919剔除剔除3924311298剔除83043093123123093073103089剔除剔除4.1.3t分布法t分布法流程圖如下。圖4-2算法流程圖Figure4-2Algorithmflowchart用Matlab編程，有關(guān)程序如下圖。X=xlsread('C:\Users\孫顯治\Desktop\江西路匹配過車.xlsx','F632:F697');Y=X;disp(Y);alpha=0.00000001；%可進(jìn)行定義n=length(X)；%自由度lambda=tinv(1-alpha/2,n-1)；%計(jì)算分為點(diǎn)sort(X,'ascend')；%數(shù)據(jù)從小到大排列ave=mean(X)；%計(jì)算平均值S=std(X)；%計(jì)算原則差delta=lambda*S/(n^0.5);fori=1:nifabs(X(i)-ave)>delta%判斷與否為異常數(shù)據(jù)X(i)=NaN；%將異常數(shù)據(jù)賦為缺省值endendoutliers=(isnan(X))；%求出缺省值位置X(outliers)=NaN；%將缺省值刪除disp(X)；%顯示解決后數(shù)據(jù)xlswrite('C:\Users\孫顯治\Desktop\江西路剔除t分布.xlsx',X);用t分布法剔除后數(shù)據(jù)見下表：表4-4t分布法剔除后數(shù)據(jù)Table4-4tdistributionmethodExcludingdata序號序號12345678135536034635834034634532223333282923892剔除278剔除28432772712832792812792814494剔除剔除剔除444433271剔除4365381378384383370382371剔除63743622711358剔除3233243267753314919剔除剔除3924311298剔除83043093123123093073103089剔除剔除4.2缺失數(shù)據(jù)補(bǔ)償基于以上剔除后數(shù)據(jù)，采用對的數(shù)據(jù)，隨機(jī)剔除幾種數(shù)據(jù)，再進(jìn)行補(bǔ)償。表4-5待補(bǔ)償數(shù)據(jù)Table4-5Unprocesseddata序號序號123456781355360346358缺失3463453222333缺失292278284277缺失2833279281279缺失4494444332714缺失381378384383缺失3823715374362缺失323324326311缺失6304309312312缺失3073103087304缺失265427426431缺失4288271248237缺失397402381365補(bǔ)償前圖形如下：圖4-3補(bǔ)償前圖形Figure4-3Patternbeforetreatment4.2.1歷史均值法用Matlab編程，有關(guān)程序如下。X=xlsread('C:\Users\孫顯治\Desktop\江西路\待補(bǔ)償數(shù)據(jù).xlsx','B2:B65');Y=X;disp(Y);outliers1=(isnan(X))；%求出缺省值位置outliers2=(outliers1==0)；%求出有效值位置ave=mean(X(outliers2))；%計(jì)算平均值X(outliers1)=ave；%進(jìn)行數(shù)據(jù)補(bǔ)償disp(X)；%顯示解決后數(shù)據(jù)xlswrite('C:\Users\孫顯治\Desktop\江西路補(bǔ)償歷史均值法.xlsx',X)；%把成果導(dǎo)入到新Excel中用歷史均值法補(bǔ)償后數(shù)據(jù)見下表：表4-6歷史均值法補(bǔ)償后數(shù)據(jù)Table4-6Historicalaveragemethodcompensationdata序號序號1234567813553603463583403463453222333340292278284277340283327928127934044944443327143403813783843833403823715374362340323324326311340630430931231234030731030873043402654274264313404288271248237340397402381365補(bǔ)償后仿真圖形如下：圖4-4歷史均值法補(bǔ)償后圖形Figure4-4Historicalaveragemethodcompensationgraphic4.2.2時(shí)間序列法用Matlab編程，有關(guān)程序如下。X=xlsread('C:\Users\孫顯治\Desktop\江西路\待補(bǔ)償數(shù)據(jù).xlsx','B2:B65')；outliers1=(isnan(X))；%求出缺省值位置outliers2=(outliers1==0)；%求出有效值位置time1=find(outliers1==1)；%獲得有效時(shí)間點(diǎn)time2=find(outliers2==1)；%獲得有效時(shí)間點(diǎn)y=X(outliers2)；%去除離群值Y=interp1(time2,y,time1);X(outliers1)=Y；%進(jìn)行數(shù)據(jù)補(bǔ)償disp(X)；%顯示解決后數(shù)據(jù)xlswrite('C:\Users\孫顯治\Desktop\江西路\江西路補(bǔ)償時(shí)間序列法.xlsx',X)；%把成果導(dǎo)入到新Excel中用時(shí)間序列法補(bǔ)償后數(shù)據(jù)見下表：表4-7時(shí)間序列法補(bǔ)償后數(shù)據(jù)Table4-7Timeseriesdataaftercompensation序號序號1234567813553603463583523463453222333313292278284277280283327928127936444944443327143263813783843833833823715374362343323324326311308630430931231231030731030873042852654274264314304288271248237317397402381365補(bǔ)償后仿真圖形如下：圖4-5時(shí)間序列法補(bǔ)償后圖形Figure4-5Sequentiallymethodcompensatedgraphics4.2.3數(shù)據(jù)補(bǔ)償新辦法-各種補(bǔ)償辦法權(quán)重計(jì)算用Matlab編程，有關(guān)程序如下。A=xlsread('C:\Users\孫顯治\Desktop\江西路補(bǔ)償歷史均值法.xlsx')；B=xlsread('C:\Users\孫顯治\Desktop\江西路補(bǔ)償時(shí)間序列法.xlsx')；pA=1;pB=1；%輸入A、B各自占權(quán)重p=pA+pB;C=A*(pA/p)+B*(pB/p);xlswrite('C:\Users\孫顯治\Desktop\江西路補(bǔ)償權(quán)重法.xlsx',[A,B,C]);%數(shù)據(jù)輸出第1列為補(bǔ)償后1；第2列為補(bǔ)償后2；第3列為加權(quán)補(bǔ)償后；用權(quán)重法補(bǔ)償后數(shù)據(jù)見下表：表4-8各種補(bǔ)償辦法權(quán)重補(bǔ)償后數(shù)據(jù)Table4-8Variouscompensationmethodsofweightcompensationdata序號序號1234567813553603463583463463453222333326292278284277310283327928127935244944443327143333813783843833613823715374362341323324326311324630430931231232530731030873043122654274264313854288271248237328397402381365補(bǔ)償后仿真圖形如下：圖4-6各種補(bǔ)償辦法權(quán)重計(jì)算補(bǔ)償后圖形Figure4-6Variouscompensationmethodsofweightcompensationpattern4.3成果分析4.3.1剔