發(fā)布時(shí)間：2022-01-14 03:10

　　交通流短時(shí)預(yù)測(cè)對(duì)保障智能交通系統(tǒng)的快速運(yùn)行具有至關(guān)重要的作用。準(zhǔn)確高效的交通流短時(shí)預(yù)測(cè)不僅可給交通流管理者提供輔助決策支持,同時(shí)可提高駕駛?cè)藛T的出行效率,躲避或減緩交通擁堵。利用傳統(tǒng)的非參數(shù)回歸方法短時(shí)預(yù)測(cè)交通流在數(shù)據(jù)體量大、維度較高時(shí),存在模式庫(kù)需要的存儲(chǔ)空間大、查詢速度慢等缺點(diǎn)。針對(duì)這一問(wèn)題,提出了一種改進(jìn)的非參數(shù)回歸交通流預(yù)測(cè)算法,不僅可提高算法的運(yùn)算效率,同時(shí)可提升算法的預(yù)測(cè)精度。首先,使用主成分分析方法對(duì)模式維度進(jìn)行了降維處理,以克服維度過(guò)高引起的匹配速度慢且無(wú)關(guān)維度的干擾等問(wèn)題。其次,采用模糊C均值聚類方法對(duì)原始交通流數(shù)據(jù)進(jìn)行了聚類篩選,以減少所需模式的數(shù)量,提升近鄰搜索的速度。接著,使用多維搜索結(jié)構(gòu)KD數(shù)代替常用的線性表作為模式庫(kù)的存儲(chǔ)結(jié)構(gòu),實(shí)現(xiàn)了模式的高速搜索。最后,融合支持向量機(jī)方法,運(yùn)用搜索到的K個(gè)模式估計(jì)出最終待預(yù)測(cè)變量的值。進(jìn)一步使用深圳市的實(shí)際數(shù)據(jù)對(duì)算法進(jìn)行了檢驗(yàn)。結(jié)果表明:該算法相比傳統(tǒng)方法在運(yùn)算效率和精度方面都有一定的提高,能夠滿足實(shí)時(shí)大規(guī)模交通流預(yù)測(cè)所需要的預(yù)測(cè)準(zhǔn)確度、實(shí)時(shí)性和動(dòng)態(tài)性等方面的要求,具有一定的應(yīng)用價(jià)值。 

【文章來(lái)源】：公路交通科技. 2020,37(07)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

試驗(yàn)路網(wǎng)拓?fù)浣Y(jié)構(gòu)

本研究試圖在一般K-鄰域非參數(shù)回歸算法基礎(chǔ)上進(jìn)行改進(jìn)。采用的預(yù)測(cè)方法由主成分分析、模糊聚類、非參數(shù)回歸、樣本數(shù)據(jù)庫(kù)和調(diào)節(jié)回路等部分組成,各組成部分之間不僅相互聯(lián)系,而且每個(gè)組成部分又包括多個(gè)操作或算法,共同構(gòu)成了預(yù)測(cè)的整體框架。算法框架如圖1所示。1.1 基于主成分分析的數(shù)據(jù)降維

【參考文獻(xiàn)】：
期刊論文
[1]基于WPD-PSO-ESN的短期交通流預(yù)測(cè)[J]. 萬(wàn)玉龍,李新春,周紅標(biāo).  公路交通科技. 2019(08)
[2]基于交互式BP-UKF模型的短時(shí)交通流預(yù)測(cè)方法[J]. 唐智慧,鄭偉皓,董維,李娟.  公路交通科技. 2019(04)
[3]考慮大型車因素的支持向量機(jī)短時(shí)交通狀態(tài)預(yù)測(cè)模型研究[J]. 孫靜怡,牟若瑾,劉擁華.  公路交通科技. 2018(10)
[4]基于遺傳算法優(yōu)化和KD樹的交通流非參數(shù)回歸預(yù)測(cè)方法[J]. 賈寧,馬壽峰,鐘石泉.  控制與決策. 2012(07)
[5]基于K-鄰域非參數(shù)回歸短時(shí)交通流預(yù)測(cè)方法[J]. 張曉利,賀國(guó)光,陸化普.  系統(tǒng)工程學(xué)報(bào). 2009(02)
[6]基于主成分分析和組合神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法[J]. 張曉利,賀國(guó)光.  系統(tǒng)工程理論與實(shí)踐. 2007(08)
[7]基于小波分析與神經(jīng)網(wǎng)絡(luò)的交通流短時(shí)預(yù)測(cè)方法[J]. 張曉利.  信息與控制. 2007(04)



本文編號(hào)：3587688