CN112287984B - 一种多维高速公路收费数据的异常检测与修复方法 - Google Patents

一种多维高速公路收费数据的异常检测与修复方法 Download PDF

Info

Publication number
CN112287984B
CN112287984B CN202011104273.2A CN202011104273A CN112287984B CN 112287984 B CN112287984 B CN 112287984B CN 202011104273 A CN202011104273 A CN 202011104273A CN 112287984 B CN112287984 B CN 112287984B
Authority
CN
China
Prior art keywords
data
abnormal
multidimensional
original
dimensional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011104273.2A
Other languages
English (en)
Other versions
CN112287984A (zh
Inventor
孙朝云
裴莉莉
沙爱民
韩雨希
李伟
郝雪丽
户媛姣
袁博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202011104273.2A priority Critical patent/CN112287984B/zh
Publication of CN112287984A publication Critical patent/CN112287984A/zh
Application granted granted Critical
Publication of CN112287984B publication Critical patent/CN112287984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种多维高速公路收费数据的异常检测与修复方法，包括步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；步骤2：构建基于相似系数和的异常数据检测模型；步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；步骤4：构建基于极端梯度提升的异常数据修复模型；步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估。本发明能够明显提升高速公路收费数据的质量与可用性，为后续的高速公路异常事件检测以及大数据统计分析工作提供良好的数据基础。

Description

一种多维高速公路收费数据的异常检测与修复方法
技术领域
本发明属于数据挖掘领域，公开了一种多维高速公路收费数据的异常检测与修复方法。
背景技术
随着高速路网的建设和信息时代的到来，智能收费系统日渐完善，收集的数据也达到了相当可观的量级。其中，占有重要地位的高速公路收费数据具有详尽的车辆通行信息，通过数据挖掘技术可以解决高速公路的运营和决策问题，但是这都需要建立在高质量数据的基础之上。收费数据中往往存在以异常值和缺失值为代表的“脏数据”，极大地影响数据挖掘的效果。如果直接使用单维度异常数据清洗方法并将“脏数据”简单滤除，将会失去大量属性和信息，致使后续对如异常数据形成原因和高速异常事件进行分析可依赖的数据特征和数量减少，因此亟需对多维数据异常处理算法展开研究。
发明内容
本发明的目的在于提供一种多维高速公路收费数据的异常检测与修复方法，用以提升高速公路收费数据的质量与可用性，为后续的高速公路异常事件检测以及大数据统计分析工作提供良好的数据基础。
为了实现上述任务，本发明采用以下技术方案：
一种针对多维高速公路收费数据的异常检测与修复方法，包括如下步骤：
步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；
步骤2：构建基于相似系数和的异常数据检测模型；
步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；
步骤4：构建基于极端梯度提升的异常数据修复模型；
步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估。
进一步地，对高速公路原始多维收费数据进行预处理，所述预处理包括从高速公路原始多维收费数据中选取合适的特征因子并按照第一关系模型对其进行规范化，得到多维规范之后的原始数据。其中，第一关系模型包括：
Figure BDA0002726411250000021
Figure BDA0002726411250000022
其中，X为原始数据集，xi为第i条数据，分别为第i，数据选取的m，特征因子，其中，x*表示已处理值，x表示待处理值，μ为待处理值的均值，σ为待处理值标准差，X′为经过预处理后的数据集。
进一步地，所述基于相似系数和的异常数据检测模型以多维规范之后的原始数据作为样本输入数据，按照第二关系模型计算数据间的相似程度，得到相似系数矩阵并据此计算出每条数据的相似系数和，进而计算出每条数据的判别系数，通过与给定的阈值的比较结果来判别数据是否为异常数据。其中，第二关系模型包括：
Figure BDA0002726411250000023
Figure BDA0002726411250000031
Figure BDA0002726411250000032
Figure BDA0002726411250000033
其中，rij表示数据xi与xj间的相似程度，R为数据的相似系数矩阵，x′ik表示经过规范化之后的数据xi的第k个属性值，Pi表示数据xi的相似系数和，λk为第k条数据的判别系数，Pmax为所有Pi中的最大值。
进一步地，所述基于极端梯度提升的异常数据修复模型通过优化梯度提升决策树的速度和效率以实现具有较高准确度的多维数据异常修复，具体包括：
根据预设比例，将所述多维规范之后的原始数据按照7比3划分为两个数据子集，其中70％的数据用于模型训练，30％的数据用于模型测试。不断轮换选择两个数据子集，并将其作为样本输入数据，按照第三关系模型进行异常数据修复训练，直至与上述属性值集对应的真实值满足预设训练结束条件，确定异常数据修复模型。
其中，第三关系模型的详细说明如下：
所述基于极端梯度提升的异常数据修复模型的构建原理为以回归树模型作为个体学习器，迭代生成回归树(Classification And Regression Tree，下文中简称为CART)，新生成的CART在原先的基础上不断地进行特征分解以适应旧一轮次迭代中生成的残差，模型的误差因此不断减小，准确率得以不断优化。具体的，将训练数据集输入初始CART以建立一个弱分类器，将目标函数与目标值的残差输入下一个弱分类器去拟合。目标函数由损失函数和正则项两部分组成，首次迭代的目标函数为：
Figure BDA0002726411250000041
其中K代表树的总个数，fk代表第k棵树，
Figure BDA0002726411250000048
代表样本xi的预测结果。
之后的每次迭代中，将所有弱分类器的结果相加作为目标值，输入新建立的弱分类器中拟合目标函数与目标值的残差，直至残差小于预先设定的阈值。迭代过程中目标值的计算如下所示：
Figure BDA0002726411250000042
Figure BDA0002726411250000043
Figure BDA0002726411250000044
…
Figure BDA0002726411250000045
其中
Figure BDA0002726411250000046
表示第k次迭代后得到的目标值。第k次迭代的目标函数为：
Figure BDA0002726411250000047
其中T代表叶子节点的个数，ωj代表j叶子节点的取值，γ控制叶子节点的个数，λ控制叶子节点的分数。为了尽可能减小目标函数的值，需要构造一个CART，记作fk。所述异常修复模型通过对损失函数进行泰勒展开来寻找fk。此时需要确定分裂准则Gain，所述基于极端梯度提升的异常数据修复模型的增益Gain为：
Figure BDA0002726411250000051
其中，
Figure BDA0002726411250000052
代表节点不分裂情况下的分数，
Figure BDA0002726411250000053
与
Figure BDA0002726411250000054
分别表示分裂之后左右叶子节点的分数。γ可以控制树的复杂度，仅当分数大于γ时才执行分裂。通过遍历特征的所有可能的取值，最后得到左右子节点的样本集合。
进一步地，对多维数据异常修复效果评估，根据第四关系模型，采用均方根误差、相关系数作为算法准确度评价指标，对异常数据修复模型的修复效果进行评估；
其中，所述第四关系模型包括：
Figure BDA0002726411250000055
Figure BDA0002726411250000056
其中，R2表示复相关系数，RMSE表示均方根误差，xi为第i条数据的初始值，
Figure BDA0002726411250000057
为数据初始值的平均值，xp为修复后的值，n为异常值与缺失值的个数。需要说明的是，RMSE误差越小说明算法的准确率越高，R2越接近1，模型的越准确高，通常R2在0.8以上便可认为该数据是合理的。
本发明与现有技术相比具有以下技术特点：
(1)与以基于欧氏距离的异常检测算法为代表的传统单维度异常检测算法相比，本发明运用数据维度间的关联性更加有效地检测多维收费数据中的异常数据。
(2)与以拉格朗日插值异常修复算法为代表的传统单维度异常修复算法相比，本发明采用异常数据修复模型，数据修复准确度提高39％。
(3)本发明提出的方法有效提升了高速公路收费数据的质量与可用性，为后续的高速公路异常事件检测以及大数据统计分析工作提供良好的数据基础。
附图说明
图1为本发明的总流程图；
图2为异常数据检测模型的流程图；
图3为异常数据检测模型的检测示例图；
图4为传统方法与本发明修复测试数据的结果示例图；
图5为传统方法与本发明中异常修复模型的评价指标对比示例图。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1
参见图1，在本实施例中公开了一种多维高速公路收费数据的异常检测与修复方法，包括如下步骤：
步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；
步骤2：构建基于相似系数和的异常数据检测模型；
步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；
步骤4：构建基于极端梯度提升的异常数据修复模型；
步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估。
具体的，步骤1中所述预处理包括从高速公路原始多维收费数据中选取合适的特征因子并按照第一关系模型对其进行规范化，得到多维规范之后的原始数据。其中，第一关系模型包括：
Figure BDA0002726411250000071
Figure BDA0002726411250000072
其中，X为原始数据集，xi为第i条数据，分别为第i，数据选取的m，特征因子，其中，x*表示已处理值，x表示待处理值，μ为待处理值的均值，σ为待处理值的标准差，X′为经过预处理后的数据集。
参见图2和图3，本实施例中使用了贵州省高速公路2016～2017年原始多维收费数据，选取的部分数据特征样本如表1所示：
表1部分数据特征因子样本
Figure BDA0002726411250000073
具体的，步骤3中所述异常检测模型以所述多维规范之后的原始数据作为样本输入数据，按照第二关系模型计算数据间的相似程度，得到相似系数矩阵并据此计算出每条数据的相似系数和，通过与给定的阈值的比较结果来判别数据是否为异常数据。其中，第二关系模型包括：
Figure BDA0002726411250000081
Figure BDA0002726411250000082
Figure BDA0002726411250000083
Figure BDA0002726411250000084
其中，rij表示数据xi与xj间的相似程度，R为数据的相似系数矩阵，x′ik表示经过规范化之后的数据xi的第k个属性值，Pi表示数据xi的相似系数和，λk为第k条数据的判别系数，Pmax为所有Pi中的最大值。
具体的，所述异常数据修复模型通过优化梯度提升决策树的速度和效率以实现具有较高准确度的多维数据异常修复，具体包括：
根据预设比例，将所述多维规范之后的原始数据按照7比3划分为两个数据子集，其中70％的数据用于模型训练，30％的数据用于模型测试。不断轮换选择两个数据子集，并将其作为样本输入数据，按照第三关系模型进行异常数据修复训练，直至与测试数据集对应的真实值满足预设训练结束条件，确定异常数据修复模型。
其中，第三关系模型的详细说明如下：
所述异常数据修复模型的构建原理为以回归树模型作为个体学习器，迭代生成回归树(Classification And Regression Tree，下文中简称为CART)，新生成的CART在原先的基础上不断地进行特征分解以适应旧一轮次迭代中生成的残差，模型的误差因此逐渐减小，准确率可以逐步优化。具体的，将训练数据集输入初始CART以建立一个弱分类器，将目标函数与目标值的残差输入下一个弱分类器去拟合。目标函数由损失函数和正则项两部分组成，首次迭代的目标函数为：
Figure BDA0002726411250000091
其中K代表树的总个数，fk代表第k棵树，
Figure BDA0002726411250000092
代表样本xi的预测结果。
之后的每次迭代中，将所有弱分类器的结果相加作为目标值，输入新建立的弱分类器中拟合目标函数与目标值的残差，直至残差小于预先设定的阈值。迭代过程中目标值的计算如下所示：
Figure BDA0002726411250000093
Figure BDA0002726411250000094
Figure BDA0002726411250000095
…
Figure BDA0002726411250000096
其中
Figure BDA0002726411250000097
表示第k次迭代后得到的目标值。第k次迭代的目标函数为：
Figure BDA0002726411250000101
其中T代表叶子节点的个数，ωj代表j叶子节点的取值，γ控制叶子节点的个数，λ控制叶子节点的分数。为了尽可能减小目标函数的值，需要构造一个CART，记作fk。所述异常修复模型通过对损失函数进行泰勒展开来寻找fk。此时需要确定分裂准则Gain，所述异常修复模型的增益Gain为：
Figure BDA0002726411250000102
其中，
Figure BDA0002726411250000103
代表节点不分裂情况下的分数，
Figure BDA0002726411250000104
与
Figure BDA0002726411250000105
分别表示分裂之后左右叶子节点的分数。γ可以控制树的复杂度，仅当分数大于γ时才执行分裂。通过遍历特征的所有可能的取值，最后得到左右子节点的样本集合。
在本实施例中，将贵州省高速公路2016～2017年原始多维收费数据中70％作为初始训练数据集，将历史数据集的30％作为测试数据集，按照所述异常修复模型进行修复。为了体现本发明中模型的准确度，对所述异常数据采用以拉格朗日插值法为代表的传统修复方法进行修复，得到的结果如图4所示。
在本实施例中，针对多维数据异常修复效果评估，根据第四关系模型，采用均方根误差、相关系数作为算法准确度评价指标，对异常数据修复模型的修复效果进行评估；
其中，第四关系模型包括：
Figure BDA0002726411250000106
Figure BDA0002726411250000107
其中，R2表示复相关系数，RMSE表示均方根误差，xi为第i条数据的初始值，
Figure BDA0002726411250000111
为数据初始值的平均值，xp为修复后的值，n为异常值与·缺失值的个数。需要说明的是，RMSE误差越小说明算法的准确率越高，R2越接近1，模型的越准确高，通常R2在0.8以上便可认为该数据是合理的。
参见图4和图5，本实施例中，对所述异常数据进行了修复，为了体现本发明中模型修复的准确度，对所述异常数据采用以拉格朗日插值法为代表的传统修复方法进行修复，得到的精度与误差的评价指标如表2所示：
表2修复结果对比
Figure BDA0002726411250000112
结果表明，本发明提出的异常修复模型的RMSE误差仅为0.5389，与传统修复方法相比，误差降低了1.1344；R2为0.9856，相比传统修复方法，其准确度提升了0.39。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种针对多维高速公路收费数据的异常检测与修复方法，其特征在于，包括如下步骤：
步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；
步骤2：构建基于相似系数和的异常数据检测模型；
步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；
步骤4：构建基于极端梯度提升的异常数据修复模型；
步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估；
所述的步骤1：对高速公路原始多维收费数据进行预处理，包括从高速公路原始多维收费数据中选取m维特征因子并按照第一关系模型对其进行规范化，得到多维规范之后的原始数据；其中，第一关系模型包括：
Figure FDA0003827338240000011
其中，x*表示已处理值，x表示待处理值，μ为待处理值的均值，σ为待处理值的标准差；
所述步骤2：基于相似系数和的异常数据检测模型以多维规范之后的原始数据作为样本输入数据，按照第二关系模型计算数据间的相似程度，得到相似系数矩阵并据此计算出每条数据的相似系数和，通过与给定的阈值的比较结果来判别数据是否为异常数据；其中，第二关系模型包括：
Figure FDA0003827338240000021
Figure FDA0003827338240000022
其中，rij表示数据xi与xj间的相似程度，Pi表示数据xi的相似系数和，x′ik表示经过规范化之后的数据xi的第k个属性值；
所述的步骤4：所述基于极端梯度提升的异常数据修复模型通过优化梯度提升决策树的速度和效率以实现多维数据异常修复，具体包括：
将所述多维规范之后的原始数据按预设比例分为初始训练数据集和测试数据集作为样本输入数据，按照第三关系模型采用所述初始训练数据集和所述测试数据集不重叠变化更新的策略对异常数据修复模型进行训练，并采用测试数据集对应的所述多维规范之后的原始数据的属性值集作为输出数据集，重复训练，直至与上述属性值集对应的真实值满足预设训练结束条件，得到基于极端梯度提升的异常数据修复模型，
其中，第三关系模型包括：
Figure FDA0003827338240000023
其中K代表树的总个数，fk代表第k棵树，
Figure FDA0003827338240000024
代表样本xi的预测结果。
2.如权利要求1所述的多维高速公路收费数据的异常检测与修复方法，其特征在于，所述的对多维数据异常修复及效果评估，其中对多维数据异常修复效果评估具体依据第四关系模型，采用均方根误差、相关系数作为算法准确度评价指标，对异常数据修复模型的修复效果进行评估；
其中，所述第四关系模型包括：
Figure FDA0003827338240000031
Figure FDA0003827338240000032
其中，R2表示复相关系数，RMSE表示均方根误差，xi为第i条数据的初始值，
Figure FDA0003827338240000033
为数据初始值的平均值，xp为修复后的值，n为异常值与缺失值的个数。
CN202011104273.2A 2020-10-15 2020-10-15 一种多维高速公路收费数据的异常检测与修复方法 Active CN112287984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011104273.2A CN112287984B (zh) 2020-10-15 2020-10-15 一种多维高速公路收费数据的异常检测与修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011104273.2A CN112287984B (zh) 2020-10-15 2020-10-15 一种多维高速公路收费数据的异常检测与修复方法

Publications (2)

Publication Number Publication Date
CN112287984A CN112287984A (zh) 2021-01-29
CN112287984B true CN112287984B (zh) 2022-10-11

Family

ID=74496584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011104273.2A Active CN112287984B (zh) 2020-10-15 2020-10-15 一种多维高速公路收费数据的异常检测与修复方法

Country Status (1)

Country Link
CN (1) CN112287984B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021469A (zh) * 2016-10-31 2018-05-11 中国电信股份有限公司 数据修复方法和装置
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021469A (zh) * 2016-10-31 2018-05-11 中国电信股份有限公司 数据修复方法和装置
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Pavement aggregate shape classification based on extreme gradient boosting;Lili Pei 等;《Construction and Building Materials》;20200513;第256卷;1-14 *
基于快速峰值聚类的高速公路异常事件识别方法;赵怀鑫 等;《长安大学学报(自然科学版)》;20180915;第38卷(第5期);205-212 *

Also Published As

Publication number Publication date
CN112287984A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN111105332B (zh) 一种基于人工神经网络的高速公路智能预养护方法及系统
CN106485262B (zh) 一种母线负荷预测方法
CN110263230B (zh) 一种基于密度聚类的数据清洗方法及装置
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
Otero et al. Handling continuous attributes in ant colony classification algorithms
CN106067034B (zh) 一种基于高维矩阵特征根的配电网负荷曲线聚类方法
Yuan et al. Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search
CN113657814B (zh) 一种航空网络风险预测方法及风险等级评估方法
CN111507504A (zh) 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
CN111027776A (zh) 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法
CN116109195B (zh) 一种基于图卷积神经网络的绩效评估方法及系统
CN116523320A (zh) 基于互联网大数据的知识产权风险智能分析方法
CN116467674A (zh) 一种配电网智能故障处理融合更新系统及其方法
CN116448161A (zh) 一种基于人工智能的环境监测设备故障诊断方法
CN116720620A (zh) 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法
CN115169534A (zh) 卷积神经网络的样本优化训练方法及计算机可读存储介质
CN114912772A (zh) 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统
CN112287984B (zh) 一种多维高速公路收费数据的异常检测与修复方法
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN113204857A (zh) 基于极端梯度提升树算法的电子器件剩余寿命预测方法
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
CN114330526B (zh) 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法
CN115116616A (zh) 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型
CN108268899A (zh) 一种电子元件的检测方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant