基于K近鄰非參數(shù)回歸的短時交通流預(yù)測算法研究.pdf

1、隨著交通擁堵問題的日益嚴(yán)重，智能交通系統(tǒng)因?yàn)槟軌蛴行У亟鉀Q交通擁堵問題而受到廣泛地關(guān)注。智能交通系統(tǒng)中最重要的部分是交通流量控制系統(tǒng)。交通流量控制系統(tǒng)可以監(jiān)測交通流量，協(xié)同交通資源，避免交通大面積擁堵。而交通流量控制系統(tǒng)的關(guān)鍵是短時交通流的信息采集、信息分析和預(yù)測。
　　本文考察了幾種常見的短時交通流預(yù)測方法。闡述了其中的K近鄰非參數(shù)回歸算法解決短時交通流預(yù)測的實(shí)用性。本文討論了K近鄰非參數(shù)回歸預(yù)測算法的數(shù)學(xué)原理和實(shí)現(xiàn)步驟，并將其

2、應(yīng)用到首都機(jī)場的出租車和出租車乘客流量預(yù)測中。
　　K近鄰非參數(shù)回歸預(yù)測算法作為非參數(shù)方法的一種，也存在一些問題，限制了它的實(shí)際應(yīng)用。K近鄰非參數(shù)回歸預(yù)測算法的主要缺陷是：因?yàn)橛绊懡煌髁康囊蛩剌^多，同時對原始數(shù)據(jù)的預(yù)處理不足，造成狀態(tài)向量的分量過于簡單或過于復(fù)雜，同時也造成歷史數(shù)據(jù)庫結(jié)構(gòu)的不合理，最終導(dǎo)致匹配過程耗時過多。由于對原始數(shù)據(jù)不加分類，并且所有流量模式采用單一K值，導(dǎo)致對當(dāng)前流量模式的誤判而加大預(yù)測誤差。本文針對這些缺

3、陷，對算法提出了一些改進(jìn)措施。
　　改進(jìn)的主要措施有：（1）引入主成分分析和聚類分析，對原始數(shù)據(jù)進(jìn)行預(yù)處理，主成分分析法可以降低算法中的狀態(tài)向量的維數(shù)，同時也消除狀態(tài)向量分量之間的相關(guān)性。聚類分析將原始數(shù)據(jù)進(jìn)行分類，將原始數(shù)據(jù)中的各種流量模式聚集在一起，改變原始數(shù)據(jù)密度不均勻的狀態(tài)。（2）創(chuàng)建具有快速搜索能力的歷史數(shù)據(jù)庫。首先將原始數(shù)據(jù)、聚類中心點(diǎn)數(shù)據(jù)、近鄰數(shù)據(jù)分開存放。同時將聚類中心點(diǎn)數(shù)據(jù)映射成一維數(shù)據(jù)，并單獨(dú)存儲，以提高搜索效