發(fā)布時間：2022-01-14 03:10

　　交通流短時預(yù)測對保障智能交通系統(tǒng)的快速運行具有至關(guān)重要的作用。準確高效的交通流短時預(yù)測不僅可給交通流管理者提供輔助決策支持,同時可提高駕駛?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)回歸方法短時預(yù)測交通流在數(shù)據(jù)體量大、維度較高時,存在模式庫需要的存儲空間大、查詢速度慢等缺點。針對這一問題,提出了一種改進的非參數(shù)回歸交通流預(yù)測算法,不僅可提高算法的運算效率,同時可提升算法的預(yù)測精度。首先,使用主成分分析方法對模式維度進行了降維處理,以克服維度過高引起的匹配速度慢且無關(guān)維度的干擾等問題。其次,采用模糊C均值聚類方法對原始交通流數(shù)據(jù)進行了聚類篩選,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的存儲結(jié)構(gòu),實現(xiàn)了模式的高速搜索。最后,融合支持向量機方法,運用搜索到的K個模式估計出最終待預(yù)測變量的值。進一步使用深圳市的實際數(shù)據(jù)對算法進行了檢驗。結(jié)果表明:該算法相比傳統(tǒng)方法在運算效率和精度方面都有一定的提高,能夠滿足實時大規(guī)模交通流預(yù)測所需要的預(yù)測準確度、實時性和動態(tài)性等方面的要求,具有一定的應(yīng)用價值。 

【文章來源】：公路交通科技. 2020,37(07)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

試驗路網(wǎng)拓撲結(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)上進行改進。采用的預(yù)測方法由主成分分析、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,而且每個組成部分又包括多個操作或算法,共同構(gòu)成了預(yù)測的整體框架。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】：
期刊論文
[1]基于WPD-PSO-ESN的短期交通流預(yù)測[J]. 萬玉龍,李新春,周紅標.  公路交通科技. 2019(08)
[2]基于交互式BP-UKF模型的短時交通流預(yù)測方法[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短時交通狀態(tài)預(yù)測模型研究[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)回歸短時交通流預(yù)測方法[J]. 張曉利,賀國光,陸化普.  系統(tǒng)工程學(xué)報. 2009(02)
[6]基于主成分分析和組合神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法[J]. 張曉利,賀國光.  系統(tǒng)工程理論與實踐. 2007(08)
[7]基于小波分析與神經(jīng)網(wǎng)絡(luò)的交通流短時預(yù)測方法[J]. 張曉利.  信息與控制. 2007(04)



本文編號：3587688