论文部分内容阅读
短时交通流量预测是智能交通系统研究的关键。能否对短时交通流量进行实时的、准确的预测对实现交通控制和诱导起到了至关重要的作用。因此,对短时交通流量的预测研究具有十分重要的意义。目前已有一些学者对短时交通流量预测进行了研究,但是交通流系统本身是一个复杂的、非线性的、动态的实时系统,传统的数学建模方法和线性方法已经不能适应交通流系统的特点。本文采用基于非参数回归的方法对短时交通流量进行预测,这种方法能够适应交通流系统的特点,不用寻找输入和输出之间的函数关系表达式,是一种人工智能方法,但是非参数回归方法也存在一定的缺陷,本文在国内外学者的研究基础上,结合交通流的特点和非参数回归方法在预测方面的不足,对其进行了一定的改进。
首先,针对样本数据库规模大,搜索速度慢等问题,本文采用KD树作为样本数据的存储结构,这种存储结构将样本空间划分为多个子空间,在搜索时跳过了无关区域,新的数据也能够比较容易的加入到数据库中,这样不仅提高了预测的速度,也提高了预测的精度。其次,针对目前大多数交通流预测算法中存在的仅考虑预测点的流量关系,忽略了预测点所在路段与其相关联路段之间关系的问题,引入空间自相关分析的方法来定义状态向量。该方法把与预测时刻有关的若干个时刻和相邻的路段考虑进来,选择了更有代表性的值作为预测点的状态向量,提高了预测精度。最后本文采用基于K-Means聚类分析的变K近邻搜索,并且在确定聚类初始中心时,采用基于KD树子样的聚类方法,解决了传统预测方法中选取均—K值对交通流预测精度的影响,而且选择最优聚类初始值能够极大的提高聚类分析的性能,从而有效的提高非参数回归算法的预测效果。为验证算法的有效性,本文对改进的非参数回归方法进行了实验对比分析,证明了改进方法在预测效率和预测精度上都有一定的提高。