本文關(guān)鍵詞：基于K近鄰算法和支持向量回歸組合的短時(shí)交通流預(yù)測　出處：《公路交通科技》2017年05期 　論文類型：期刊論文

  更多相關(guān)文章： 交通工程 預(yù)測模型 K近鄰算法 支持向量回歸 短時(shí)交通流

【摘要】：為了提高短時(shí)交通流的預(yù)測精度,向交通管理部門和出行者提供更加準(zhǔn)確可靠的交通信息,基于非參數(shù)回歸與支持向量回歸方法的特點(diǎn),提出了一種混合預(yù)測模型(KNN-SVR)。該模型利用K近鄰方法的搜索機(jī)制,重建與當(dāng)前交通狀態(tài)近似的歷史交通流時(shí)間序列,然后利用支持向量回歸原理實(shí)現(xiàn)短時(shí)交通流預(yù)測。針對(duì)實(shí)際的交通流數(shù)據(jù),考慮預(yù)測路段上下游交通流的影響,對(duì)提出的KNN-SVR模型的預(yù)測精度進(jìn)行了分析。研究結(jié)果表明:同時(shí)考慮預(yù)測路段和其鄰近路段交通流影響的KNN-SVR模型具有更好的預(yù)測精度,其預(yù)測誤差最小,平均為8.29%,而僅僅考慮預(yù)測路段交通流影響的KNN-SVR模型,其預(yù)測誤差略高,平均為9.16%;KNN-SVR模型的預(yù)測精度優(yōu)于傳統(tǒng)單一的預(yù)測方法,如K-近鄰非參數(shù)回歸、支持向量回歸以及神經(jīng)網(wǎng)絡(luò)方法。
[Abstract]:In order to improve the forecasting precision of short - term traffic flow , a mixed prediction model ( KNN - SVM ) is proposed to provide more accurate and reliable traffic information to traffic management departments and travelers . Based on the characteristics of non - parametric regression and support vector regression method , this paper presents a mixed prediction model ( KNN - support vector regression ) .

【作者單位】： 東南大學(xué)智能運(yùn)輸系統(tǒng)研究中心;
【基金】：國家自然科學(xué)基金項(xiàng)目(61573106) 江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目(KYLX_0168)
【分類號(hào)】：U491.14
【正文快照】： regression(SVR);short-term traffic flow0引言智能交通系統(tǒng)被認(rèn)為是緩解城市道路擁堵、減少汽車污染、防治交通事故以及實(shí)現(xiàn)節(jié)約能源等問題的有效方法。其中,作為智能交通系統(tǒng)重要基礎(chǔ)之一的短時(shí)交通流預(yù)測,是實(shí)時(shí)、準(zhǔn)確、快速實(shí)現(xiàn)交通管理、誘導(dǎo)及控制的關(guān)鍵[1]。因此,對(duì)短

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 偶昌寶,俞亞南;短時(shí)交通流預(yù)測的多層遞階方法[J];城市道橋與防洪;2004年05期

2 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時(shí)交通流預(yù)測中的應(yīng)用[J];交通科技;2010年S1期

3 唐世星;;改進(jìn)的支持向量機(jī)算法在短時(shí)交通流預(yù)測中的應(yīng)用[J];承德石油高等�？茖W(xué)校學(xué)報(bào);2012年01期

4 王嬌;李軍;;最小最大概率回歸機(jī)在短時(shí)交通流預(yù)測中的應(yīng)用[J];公路交通科技;2014年02期

5 賀國光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測方法探討[J];系統(tǒng)工程理論與實(shí)踐;2000年12期

6 宗春光,宋靖雁,任江濤,胡堅(jiān)明;基于相空間重構(gòu)的短時(shí)交通流預(yù)測研究[J];公路交通科技;2003年04期

7 楊世堅(jiān),賀國光;基于模糊C均值聚類和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測方法[J];系統(tǒng)工程;2004年08期

8 王進(jìn);史其信;;短時(shí)交通流預(yù)測模型綜述[J];中國公共安全(學(xué)術(shù)卷);2005年01期

9 楊芳明;朱順應(yīng);;基于小波的短時(shí)交通流預(yù)測[J];重慶交通學(xué)院學(xué)報(bào);2006年03期

10 鄧志龍;李全;陳茜;;基于灰色系統(tǒng)理論的短時(shí)交通流預(yù)測[J];公路交通技術(shù);2006年01期

相關(guān)會(huì)議論文 前3條

1 鄭德署;何世偉;許旺土;;分形理論在短時(shí)交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會(huì)論文集[C];2008年

2 唐麗娜;張衛(wèi)華;;短時(shí)交通流預(yù)測方法的比較研究[A];2007第三屆中國智能交通年會(huì)論文集[C];2007年

3 于建玲;商朋見;關(guān)積珍;;改進(jìn)的相空間重構(gòu)方法在短時(shí)交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會(huì)論文集[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 姚智勝;基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測理論與方法研究[D];北京交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 高為;基于數(shù)據(jù)挖掘和數(shù)據(jù)融合的短時(shí)交通流預(yù)測研究[D];重慶交通大學(xué);2011年

2 齊霖;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測與系統(tǒng)實(shí)現(xiàn)[D];東北大學(xué);2013年

3 邱世崇;基于時(shí)空特性的城市道路短時(shí)交通流預(yù)測研究[D];重慶交通大學(xué);2015年

4 沈小峰;交通流量短時(shí)預(yù)測的算法研究[D];浙江工業(yè)大學(xué);2015年

5 江小燕;短時(shí)交通流預(yù)測方法研究[D];揚(yáng)州大學(xué);2015年

6 楊慧慧;城市交通流短時(shí)預(yù)測模型研究[D];河南理工大學(xué);2015年

7 王鵬;基于嵌入式系統(tǒng)的城市智能交通控制器研究[D];遼寧科技大學(xué);2016年

8 羅婷;模擬退火混沌粒子群算法在短時(shí)交通流預(yù)測中的應(yīng)用[D];西南交通大學(xué);2016年

9 黃曉慧;基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測研究[D];西南交通大學(xué);2016年

10 褚鵬宇;融合時(shí)空信息的短時(shí)交通流預(yù)測[D];西南交通大學(xué);2016年

，

本文編號(hào)：1414614