周 博，贾树林，胡江宇，马双宝, ，罗维平,

（1. 武汉纺织大学 机械工程与自动化学院，湖北 武汉 430200；2. 湖北省数字装备重点实验室，湖北 武汉 430200）

随着私家车占有量急剧上升，城市交通网络所面临的负荷也与日俱增。在公路及城市道路中使用不同类型交通探测器收集实时交通数据，以对交通流进行预测、实时交通诱导以及道路通行能力预测分析提供及时可靠的数据支撑[1]。探测器收集数据的过程中存在诸多噪音，如设备的磨损导致精度的降低、雨雪天气对探头的影响及设备供电异常等，会对收集到的交通流数据质量产生一定的影响，因此需对收集的原始交通流数据进行故障数据的筛选修复。

针对交通流异常数据诊断，李琦等提出一种基于流量守恒定律的交通流数据质量评价与控制方法[2]，可对异常值进行整体修复，但该方法具有较强地域局限性，鲁棒性较低；苗旭等提出一种基于支持向量机模型的固定交通检测器缺失数据综合修复方法，可对交通流数据中缺失值进行填补[3]，但对于数据中存在的异常值未进一步处理；鲍东玉等人根据交通运行状态的统计相似性进行了研究和对比，选择了IQR法作为数据修复的方法[4]。综合前期学者研究，针对交通流数据的修复研究较为分化，缺乏较为完整数据处理体系，且大多基于统计原理，模型迁移能力有待提高。针对上述问题，本文提出基于机器学习及线性回归模型构建出一种综合数据清洗、奇异值、缺失值及异常值处理的交通流数据集成处理框架，对原始交通流数据进行有效性处理。……