基于RBF神经网络的交通流数据修复研究_袁媛

资 源 简 介

基于RBF神经网络的交通流数据修复研究_袁媛

详 情 说 明

RBF神经网络在交通流数据修复中的应用研究

交通流数据作为智能交通系统的重要基础，常因设备故障或传输问题导致数据缺失或异常。袁媛的研究提出采用RBF神经网络解决这一难题，该网络凭借局部逼近特性，能有效学习交通流数据的非线性时空特征。

核心修复逻辑通过三层结构实现：输入层接收带缺失的历史交通参数（如流量、速度），隐含层采用高斯核函数构建非线性映射关系，输出层则重建完整数据。相比传统插值法，该方法能同时处理连续缺失和大规模异常点，尤其适应交通流随机波动性强的特点。

研究创新点在于将动态时间规整算法与RBF网络结合，先对齐不同时段的数据模式，再通过自适应学习率优化网络参数。实验证明，该方法在早高峰等复杂场景下的修复精度较ARIMA模型提升约23%，且计算效率满足实时性需求。

该技术为城市交通管理和路网状态评估提供了更可靠的数据支撑，未来可延伸至多源传感器数据融合场景。