基于视频帧率时空相似性的交通流数据质量多步控制方法研究

推荐 为解决车辆检测器采集的交通流数据存在采样周期长、稀疏性高导致的质控难题，研究人员提出基于视频帧率时空相似性的多步控制方法。该方法通过分阶段修复（section-level和road network-level）及LSTM优化模型，显著提升不同缺失率和类型的数据修复效果，为智能交通系统（ITS）提供高精度数据支撑。

　　

论文解读
随着城市化进程加速与机动车保有量激增，城市道路交通拥堵问题日益严峻。传统交通管理依赖人工经验与静态模型，难以应对动态复杂的路况变化。在此背景下，智能交通系统（Intelligent Transportation System, ITS）通过融合先进传感技术与数据分析算法，实现对交通流的实时监测与智能调控，成为破解城市交通困局的关键路径。然而，ITS的核心——交通流数据的质量问题长期制约其效能发挥。现有数据主要源于车辆检测器，但其采样周期通常长达5分钟至15分钟，远无法满足高精度时空关联分析需求。此外，设备故障、环境干扰等因素导致的数据缺失与异常现象频发，进一步削弱了数据可靠性。

针对上述挑战，南京大学的研究团队提出了一种基于视频帧率时空相似性的交通流数据质量多步控制方法。该方法创新性地结合视频监控的高时空分辨率优势，通过分阶段修复与深度学习优化模型协同提升数据质量。研究团队选取南京市12个道路视频基站的交通视频数据（覆盖2023年7月至10月），构建了多路段交通流数据采集框架。实验结果表明，所提出的分段低阶插值与自适应加权指数平滑方法在处理连续性与网络级缺失数据时表现优异，相较于传统基线模型，数据修复准确率提升显著。

为解决交通流数据质量控制的难题，研究人员采用了以下关键技术方法：

1. 视频监控数据采集：基于视频帧率的多路段交通流数据采集方法，突破传统检测器的时间与空间限制；
2. 时空相似性分析：结合分时段相似性与低阶插值技术实现缺失数据的初步修复；
3. LSTM优化模型：构建多路段联合优化模型，深度挖掘交通流的空间相关性以进一步提升数据质量。

研究结果揭示了不同修复策略的适用场景与优势。针对路段级缺失数据，分段低阶插值方法通过预处理连续缺失段并分段拟合低阶多项式，有效恢复了局部趋势特征；而自适应加权指数平滑方法则利用时间维度的相似性动态调整权重，在网络级缺失修复中展现出更强鲁棒性。进一步地，基于LSTM的多路段联合优化模型通过捕捉跨路段时空关联，实现了对初步修复结果的深度优化。实验数据显示，该方法在不同缺失率（最高达40%）与类型（随机缺失、连续缺失）下均保持稳定性能，验证了其泛化能力。

研究结论表明，基于时空相似性的多步控制方法显著提升了交通流数据质量控制的精度与效率。其创新性体现在三方面：首先，视频监控数据的引入突破了传统检测器的时空局限，为高密度数据采集提供了新途径；其次，分阶段修复策略兼顾了不同缺失模式的特征差异，实现了精细化数据恢复；最后，LSTM优化模型的引入将深度学习技术引入交通数据修复领域，为复杂时空关联建模提供了可行方案。该研究不仅为ITS提供了高质量数据支撑，也为城市交通管理决策的科学性与精准性奠定了基础。未来研究可进一步探索多模态数据融合与实时处理框架，以应对动态交通场景下的挑战。

需特别指出的是，本研究的数据采集依托于南京市实际道路视频基站，涵盖主路、快速路等多种类型（如中央隔离带、护栏及双黄线道路），确保了研究结论的实践价值。此外，研究团队在方法设计中充分考虑了计算效率与模型可解释性，使其具备工程化应用潜力。论文发表于《Engineering Applications of Artificial Intelligence》，为交通工程与人工智能交叉领域提供了重要参考。