On the imputation of missing data for road traffic forecasting: New insights and novel techniques

پیش بینی جریان جریان هوا از اهمیت حیاتی برای مدیریت ترافیک جاده در شبکه های شهری پیچیده و همچنین ورودی مفید برای الگوریتم های برنامه ریزی مسیر است. به طور کلی، مدل های پیش بینی ترافیکی به داده های جمع آوری شده توسط انواع مختلف سنسورهایی که در جاده ها قرار دارند، متکی هستند و گاهی اوقات به علت علل متعددی نظیر خطای سخت افزاری یا خطای انتقال رخ می دهد. پر کردن این شکاف مربوط به ساخت مدل های دقیق پیش بینی، یک کار است که توسط استراتژی های مختلف درگیر می شود، از یک معادله ارزش ساده ساده به مدل های پیچیده مکانی زمان محور. این کار در دو رویکرد یادگیری ماشین توضیح داده شده است: برای به روز رسانی اطلاعات از دست رفته بدون محدودیت طول فاصله: یک مدل سنجش محتویات فضایی بر اساس اطلاعات ارائه شده توسط سنسورهای اطراف و یک ابزار تجزیه و تحلیل خوشه ای خودکار که به دنبال خوشه بندی الگوی بهینه برای ارزش گذاری است. عملکرد آنها ارزیابی شده و در مقایسه با سایر تکنیک های رایج و مدل های مختلف تولید اطلاعات از دست رفته بر روی داده های واقعی گرفته شده از شهر مادرید (اسپانیا) مقایسه می شود. روش های تازه ارائه شده نسبتا برتر هستند، زمانی که بخش هایی از اطلاعات گم شده بزرگ یا بسیار زیاد هستند، همانطور که در بیشتر موارد عملی رخ می دهد.