CN109992579B - 一种公路基础设施多源异质数据的数据修复方法及*** - Google Patents
一种公路基础设施多源异质数据的数据修复方法及*** Download PDFInfo
- Publication number
- CN109992579B CN109992579B CN201910244035.2A CN201910244035A CN109992579B CN 109992579 B CN109992579 B CN 109992579B CN 201910244035 A CN201910244035 A CN 201910244035A CN 109992579 B CN109992579 B CN 109992579B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- repaired
- source
- sensors
- 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
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种公路基础设施多源异质数据的数据修复方法及***,涉及数据处理领域,包括步骤:构建多源数据关联计算模型;获取该待修复传感器的不完整数据以及其他传感器的完整数据,对应生成所有传感器的数据序列;将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列;使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列;根据待修复传感器连续缺失数据的个数以及对应预设的关联权重系数和时间权重系数,得到待修复数据。本发明提供的公路基础设施多源异质数据的数据修复方法,数据修复更加准确。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种公路基础设施多源异质数据的数据修复方法及***。
背景技术
目前高速公路基础设施的管养依赖多种先进的传感器设备来实时获取高速公路基础设施状态数据,以实现对构造物状态的实时监测,完成对路段、桥梁、隧道、边坡等构造物的数据检测。获取到的高速公路基础设施状态数据主要包括固定检测器数据、视频检测数据、浮动车数据等。
然而,高速公路上及服务区监测点上采用的固定检测器和传感器在采集过程中会有大量的数据丢失,一部分原因来自于设备长时间遭受恶劣气候环境的影响,另一部分原因源于设备维护工作较为困难。数据的缺失对高速公路的管理与运营产生了一定的影响。
现有的数据修复技术通常采用的是基于时间序列的修复方法,该方法主要是通过缺失数据自身前后时间段内的已知数据信息,通过基于插值、偏微分方程和总变分等补值、拟合方法来预测缺失数据。
上述基于时间序列的修复在连续数据缺失率较小时,可以通过基于时间序列的预测算法得到较好的数据预测准确度,但当数据出现连续时间段内缺失较多时,单个来源的数据的自身信息很难准确的恢复缺失的数据。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种公路基础设施多源异质数据的数据修复方法,数据修复更加准确。
为达到以上目的,本发明采取的技术方案是:
一种公路基础设施多源异质数据的数据修复方法,其特征在于,包括步骤:
S1:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
S2:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
S3:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
S4:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
S5:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult。
在上述技术方案的基础上,所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练。
在上述技术方案的基础上,所述对应预设的关联权重系数αi和时间权重系数βi的计算过程为:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi。
在上述技术方案的基础上,当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
在上述技术方案的基础上,所述步骤S4中采用的是三次样条插值的方法。
本发明还提供了一种公路基础设施多源异质数据的数据修复***,包括:
模型构建模块,其用于:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
数据处理模块,其用于:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
关联预测模块,其用于:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
时间预测模块,其用于:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
计算模块,其用于:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult。
在上述技术方案的基础上,所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练。
在上述技术方案的基础上,所述计算模块还包括权重计算单元,
所述权重计算单元用于:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi。
在上述技术方案的基础上,当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
在上述技术方案的基础上,所述时间预测模块采用的是三次样条插值的方法。
与现有技术相比,本发明的优点在于:本发明的公路基础设施多源异质数据的数据修复方法,对关联预测数值序列和时间预测数值序列进行融合,并根据预设的两者的权重系数来进行数据修复,可以更为精准地进行缺失数据的预测,使其数据修复更加准确。
附图说明
图1为本发明实施例中一种公路基础设施多源异质数据的数据修复方法的流程图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种公路基础设施多源异质数据的数据修复方法,包括步骤:
S1:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
S2:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
S3:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
S4:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
S5:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult。
具体地,在本发明实施例中,所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练。
具体地,在本发明实施例中,所述对应预设的关联权重系数αi和时间权重系数βi的计算过程为:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi。
当公路基础设施中使用到的传感器为A、B、C三个传感器时,由于传感器在获取数据时都是固定间隔时间取离散值,在所有传感器获取数据后,根据离散点的个数就可以知道传感器对应缺失数据的个数i,关联权重系数αi和时间权重系数βi的计算示例如下:
S501:取A、B、C传感器获取的一段完整数据,记为Y,此处该段完整数据应理解为A、B、C传感器获取的数据的集合;
S502:创建K组数据,每组数据均与该段完整数据相同,分别记为Y1,Y2,Y3,……,YK;
S503:在每组数据中随机选取连续的i个数据,将选取的第m组第n个数据记为Ymn,其中m为1~K之间的正整数,n为1~i之间的正整数;
S504:将选取的i个数据从每组数据中去除,对应得到K组均缺失i个数据的不完整数据,分别记为X1,X2,X3,……,XK;
在本发明实施例中,每组连续数据中随机选取的i个位置可以重叠,但是不重复,且不选端点,例如,该段完整数据为1~9组成的数值序列,K=3,i=4时,第一组去除的i个连续数据可以选择为2345,第二组去除的i个连续数据可以选择为4567,第三组去除的i个连续数据可以选择为5678。
S505:使用插值方法计算出每组不完整数据中缺失的i个数据的预测值,用Ypmn表示第m组的第n个数据预测值,其中m为1~K之间的正整数,n为1~i之间的正整数,将每组的i个数据预测值组成一个数据预测序列,得到K组数据预测序列,记为Ypk;
S506:将K组不完整数据分别输入到多源数据关联计算模型中,得到K组不完整数据的关联预测数值序列,记为Yrk;
S507:根据公式Yk=αiYrk+βiYpk,得到K个联立方程式,使用最小二乘估计法,计算出当该传感器缺失i个数据时的权重系数αi和βi。
在本发明实施例中,当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
例如,当A传感器的数据先连续缺失2个数据,间隔一段后连续缺失3个数据,那么将A传感器的数据转化为两组数据,每组数据中仅包含一段连续缺失的数据即可,然后分别进行数据修复。
优选地,所述步骤S4中采用的是三次样条插值的方法。
由于多源异质数据往往具有语义互补特性,这表明不同数据来源的数据间具有一定相关性,因此缺失数据同一时段的其他数据源含有缺失数据的一定信息量,即缺失数据传感器的数据和其他传感器的数据具有一定的关联性。同时,传感器缺失数据前后历史数据也具有时间关联性,可以通过数据变化趋势等对缺失数据进行一定预测。
通过历史数据预测的方法在连续时间缺失较多时难以对曲线精准的拟合,而多源数据关联分析在多源数据特性差异较大时结果难以收敛,从而导致缺失数据的修复效果较差。
在本发明实施例的公路基础设施多源异质数据的数据修复方法中,将上述两种情况进行融合,即对关联预测数值序列和时间预测数值序列进行融合,并根据预设的两者的权重系数来进行数据修复,一方面,可以提升缺失数据前后时间数据较稀疏情况下的数据准确性,另一方面,可以结合前后时间信息对多源数据关联分析所产生的结果进行一定修正,增强了多源数据关联结果的时间关联性,进而可以更为精准地进行缺失数据的预测,使其数据修复更加准确。
本发明实施例还提供了一种公路基础设施多源异质数据的数据修复***,包括:
模型构建模块,其用于:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
数据处理模块,其用于:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
关联预测模块,其用于:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
时间预测模块,其用于:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
计算模块,其用于:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult。
具体地,所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练。
更为具体地,所述计算模块还包括权重计算单元,
所述权重计算单元用于:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi。
在本发明实施例中,当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
优选地,所述时间预测模块采用的是三次样条插值的方法。
本发明的公路基础设施多源异质数据的数据修复***,对关联预测数值序列和时间预测数值序列进行融合,并根据预设的两者的权重系数来进行数据修复,可以更为精准地进行缺失数据的预测,使其数据修复更加准确。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种公路基础设施多源异质数据的数据修复方法,其特征在于,包括步骤:
S1:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
S2:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
S3:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
S4:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
S5:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult;
所述对应预设的关联权重系数αi和时间权重系数βi的计算过程为:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi;
所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练;
当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
2.如权利要求1所述的公路基础设施多源异质数据的数据修复方法,其特征在于,所述步骤S4中采用的是三次样条插值的方法。
3.一种公路基础设施多源异质数据的数据修复***,其特征在于,包括:
模型构建模块,其用于:构建多源数据关联计算模型,预先使用所有传感器获取到的完整的多源异构数据对该多源数据关联计算模型进行学习训练;
数据处理模块,其用于:将缺失数据的传感器作为待修复传感器,获取该待修复传感器的不完整数据以及其他传感器的完整数据,结合传感器采集数据的时间点,对应生成所有传感器的数据序列;
关联预测模块,其用于:将其他传感器的数据序列输入到所述多源数据关联计算模型中,得到待修复传感器缺失数据对应时间点的关联预测数值序列Yr;
时间预测模块,其用于:使用样条插值的方法对待修复传感器的数据序列进行插值计算,得到待修复传感器缺失数据对应时间点的时间预测数值序列Yp;
计算模块,其用于:根据待修复传感器连续缺失数据的个数i以及对应预设的关联权重系数αi和时间权重系数βi,结合计算公式YResult=αiYr+βiYp,得到待修复数据YResult;
所述计算模块还包括权重计算单元,
所述权重计算单元用于:
选取所有传感器的一段完整数据;
创建若干组数据,每组数据均与该段完整数据相同;
在每组数据中随机选择连续的i个数据,将选取的i个数据从每组数据中去除,对应得到若干组缺失i个数据的不完整数据;
使用样条插值的方法计算出每组不完整数据中缺失的i个数据的预测值,并将i个数据的预测值组成数据预测序列,得到所有组不完整数据的时间预测数值序列;
将所有组不完整数据分别输入到所述多源数据关联计算模型中,得到所有组不完整数据的关联预测数值序列;
根据完整数据、时间预测数值序列和关联预测数值序列,使用最小二乘法,得到当传感器缺失i个数据时对应的关联权重系数αi和时间权重系数βi;
所述预先使用所有传感器获取到的多源异构数据对该多源数据关联计算模型进行学习训练的具体过程包括:
将其中一个传感器作为目标传感器,将目标传感器获取到的完整的多源异构数据作为所述多源数据关联计算模型的目标,其他传感器获取到的完整的多源异构数据作为多源数据关联计算模型的输入,对该多源数据关联计算模型进行学习训练;
当待修复传感器间断缺失多个数据时,将待修复传感器的数据转化为多组数据,每组数据中仅包含一段连续缺失的数据,并根据每组数据中连续缺失数据的个数分别进行数据修复。
4.如权利要求3所述的公路基础设施多源异质数据的数据修复***,其特征在于,所述时间预测模块采用的是三次样条插值的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244035.2A CN109992579B (zh) | 2019-03-28 | 2019-03-28 | 一种公路基础设施多源异质数据的数据修复方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244035.2A CN109992579B (zh) | 2019-03-28 | 2019-03-28 | 一种公路基础设施多源异质数据的数据修复方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992579A CN109992579A (zh) | 2019-07-09 |
CN109992579B true CN109992579B (zh) | 2021-10-01 |
Family
ID=67131850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244035.2A Active CN109992579B (zh) | 2019-03-28 | 2019-03-28 | 一种公路基础设施多源异质数据的数据修复方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992579B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2593173A (en) * | 2020-03-16 | 2021-09-22 | British Telecomm | Modelling physical infrastructure |
WO2021185603A1 (en) | 2020-03-16 | 2021-09-23 | British Telecommunications Public Limited Company | Software defined network specification |
CN113642088B (zh) * | 2021-10-13 | 2022-01-07 | 北京天辰信科技有限公司 | 一种施工进度信息反馈及bim模型实时展示偏差的方法 |
CN115130032B (zh) * | 2022-07-05 | 2024-07-09 | 华中科技大学 | 一种异构粒度存储***中的缺失率曲线构建方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622880A (zh) * | 2012-01-09 | 2012-08-01 | 北京捷易联科技有限公司 | 一种交通信息数据修复方法及装置 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN105142164A (zh) * | 2015-06-24 | 2015-12-09 | 北京邮电大学 | 待估节点的数据填补方法和装置 |
CN109063366A (zh) * | 2018-08-22 | 2018-12-21 | 深圳市建筑科学研究院股份有限公司 | 一种基于时间和空间加权的建筑性能数据在线预处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110302A (zh) * | 2009-12-25 | 2011-06-29 | 东软飞利浦医疗设备***有限责任公司 | Ct扫描中缺失数据的补偿方法 |
CN102819682B (zh) * | 2012-08-02 | 2015-01-14 | 清华大学 | 一种多阈值空间相关的浮动车数据清洗和修复算法 |
US9461876B2 (en) * | 2012-08-29 | 2016-10-04 | Loci | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
CN106096302A (zh) * | 2016-06-22 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于时间和路段相关性的数据修复方法 |
-
2019
- 2019-03-28 CN CN201910244035.2A patent/CN109992579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622880A (zh) * | 2012-01-09 | 2012-08-01 | 北京捷易联科技有限公司 | 一种交通信息数据修复方法及装置 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN105142164A (zh) * | 2015-06-24 | 2015-12-09 | 北京邮电大学 | 待估节点的数据填补方法和装置 |
CN109063366A (zh) * | 2018-08-22 | 2018-12-21 | 深圳市建筑科学研究院股份有限公司 | 一种基于时间和空间加权的建筑性能数据在线预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109992579A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992579B (zh) | 一种公路基础设施多源异质数据的数据修复方法及*** | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN109085477B (zh) | 用于电力电缆分布式局部放电监测***的信号识别和定位方法 | |
CN110781266B (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN104599292A (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
CN103401565A (zh) | 一种s模式ads_b***的纠检错方法 | |
CN106651731B (zh) | 基于历史数据的通信铁塔待解决问题集生成方法及*** | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与*** | |
CN115600051B (zh) | 基于短弧天基光学观测的轨道机动智能检测方法和装置 | |
CN110736471A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN112116149A (zh) | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 | |
Kordmahalleh et al. | Hurricane trajectory prediction via a sparse recurrent neural network | |
CN111241660B (zh) | 一种基于云计算技术的土木工程实验检测***及方法 | |
CN115061103A (zh) | 基于编码器-解码器的多功能雷达功能识别方法 | |
CN105512464A (zh) | 一种结合卫星和站点观测反演时空连续pm2.5浓度的方法 | |
CN109145773A (zh) | 一种多源趋势信息融合的故障预测方法 | |
CN105627978A (zh) | 一种雨季滑坡变形监测方法及*** | |
CN113516406A (zh) | 一种基于实时观测分析的高铁沿线降水测点布置方法 | |
CN117371571A (zh) | 一种基于多尺度动态同步图机制的区域空气质量预测模型 | |
CN113687192B (zh) | 输电线路放电信号采集及定位方法 | |
CN114611728B (zh) | 污水管网堵塞监测方法及*** | |
CN108121878A (zh) | 自动编码震源信号的脉冲神经网络模型 | |
CN101984560A (zh) | 集中式多源联合维特比数据互联*** | |
Zhong et al. | Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction | |
CN112419751B (zh) | 基于单截面电警数据的信号交叉口车道排队长度估计方法 |
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 |