交通流数据异常据修复方法--基于时间序列的修复--python语言的实现

1、修复原理

2、数据修复的代码

# -*- coding: UTF-8 -*-
"""
@Author  ：远方的星
@Time   : 2021/7/5 22:50
@CSDN    ：https://blog.csdn.net/qq_44921056
@腾讯云   ： https://cloud.tencent.com/developer/column/91164
"""
import numpy as np
data = [1360, 1359, 1336, 1325, 1295, 1297, 1299, 1281, 1270, 1265, 1267, 0, 0, 0, 1248, 1260, 1256, 1249, 1263, 1228,
        1221, 0, 0, 0, 1229, 1220, 1221, 1246, 1228, 1239]
# 得到数据长度
length = len(data)
# 定义一个空列表用于存放差值数据
difference = []
for i in range(length):
    # 挑出为0的地方，即需要修复的数据
    if data[i] == 0:
        # 计算预测值之前所有值的和
        sum_1 = 0
        for j in range(i):
            sum_1 += data[j]
        # 求去平均值
        average = sum_1/(i+1)
        for k in range(i-1):
            a = data[k+1] - data[k]
            difference.append(a)
        # 求得变化量
        difference_average = np.mean(difference)
        # 求得修复数据
        data_fix = int(round(average + difference_average, 0))
        # 使用修复数据替代原来的0值
        data[i] = data_fix
        print('第{}位数据已经修复，修复的结果为{}'.format(i+1, data_fix))
print('数据全部修复后的结果为：', data)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
 

3、数据修复前后的比较

在数据修复之前，可以使用拉依达准则或者狄克逊准则判断数据是否为异常数据。

为了方便表示，将异常数据表示为空数据。

• 修复前：

• 修复后：
  

4、参考文献

[1]王英会. 高速公路交通流异常数据识别及修复方法研究[D].北京交通大学,2015.

文章来源: luckystar.blog.csdn.net，作者：爱打瞌睡的CV君，版权归原作者所有，如需转载，请联系作者。

原文链接：luckystar.blog.csdn.net/article/details/118539972