短時交通流預(yù)測算法研究.pdf

1、短時交通流量預(yù)測是智能交通系統(tǒng)研究的關(guān)鍵。能否對短時交通流量進行實時的、準(zhǔn)確的預(yù)測對實現(xiàn)交通控制和誘導(dǎo)起到了至關(guān)重要的作用。因此，對短時交通流量的預(yù)測研究具有十分重要的意義。目前已有一些學(xué)者對短時交通流量預(yù)測進行了研究，但是交通流系統(tǒng)本身是一個復(fù)雜的、非線性的、動態(tài)的實時系統(tǒng)，傳統(tǒng)的數(shù)學(xué)建模方法和線性方法已經(jīng)不能適應(yīng)交通流系統(tǒng)的特點。本文采用基于非參數(shù)回歸的方法對短時交通流量進行預(yù)測，這種方法能夠適應(yīng)交通流系統(tǒng)的特點，不用尋找輸入和輸出

2、之間的函數(shù)關(guān)系表達式，是一種人工智能方法，但是非參數(shù)回歸方法也存在一定的缺陷，本文在國內(nèi)外學(xué)者的研究基礎(chǔ)上，結(jié)合交通流的特點和非參數(shù)回歸方法在預(yù)測方面的不足，對其進行了一定的改進。
　　 首先，針對樣本數(shù)據(jù)庫規(guī)模大，搜索速度慢等問題，本文采用KD樹作為樣本數(shù)據(jù)的存儲結(jié)構(gòu)，這種存儲結(jié)構(gòu)將樣本空間劃分為多個子空間，在搜索時跳過了無關(guān)區(qū)域，新的數(shù)據(jù)也能夠比較容易的加入到數(shù)據(jù)庫中，這樣不僅提高了預(yù)測的速度，也提高了預(yù)測的精度。其次，針對

3、目前大多數(shù)交通流預(yù)測算法中存在的僅考慮預(yù)測點的流量關(guān)系，忽略了預(yù)測點所在路段與其相關(guān)聯(lián)路段之間關(guān)系的問題，引入空間自相關(guān)分析的方法來定義狀態(tài)向量。該方法把與預(yù)測時刻有關(guān)的若干個時刻和相鄰的路段考慮進來，選擇了更有代表性的值作為預(yù)測點的狀態(tài)向量，提高了預(yù)測精度。最后本文采用基于K-Means聚類分析的變K近鄰搜索，并且在確定聚類初始中心時，采用基于KD樹子樣的聚類方法，解決了傳統(tǒng)預(yù)測方法中選取均—K值對交通流預(yù)測精度的影響，而且選擇最優(yōu)聚