基于K近邻非参数回归法的高速公路行程时间预测

发布时间：2020-11-14 05:10

　　 随着我国机动车保有量的不断增加,高速公路的拥堵问题日益严峻,于是对高速公路的信息服务水平提出了更高的要求,行程时间预测可以指导出行者制定出行计划、为管理者提供决策依据,能在一定程度上缓解交通拥堵。因此本文对高速公路的行程时间预测展开了研究,以期得到更加精确的预测效果。为了选定贴合研究对象的预测方法,对几种经典的预测方法进行了归纳总结,考虑到高速公路行程时间预测对预测精度和速度的要求,以及非参数回归法以数据为驱动的特点更符合收费数据的特征,本文选用K近邻非参数回归法进行预测研究。为了提高预测精度,对K近邻非参数回归法进行了改进,对状态向量和K近邻搜索进行了优化。为落实提出的改进方法,本文做了以下工作:1)状态向量的改进。为了使状态向量在包含足够多特征信息的前提下精简状态向量的数量,利用主成分分析法降低状态向量的维数。2)历史数据库的改进。结合收费数据和交通事件数据建立交通事件状态下的子数据库,并借助朴素贝叶斯分类法建立常规交通状态下的子数据库,优化了数据库的结构,降低了在历史数据库中搜索近邻的复杂度,提高了运算效率。3)K近邻搜索的改进。根据历史数据库的分类结果,不同子数据库选用不同K值进行预测,实现了变K值搜索。为证明改进的有效性,从而获得更精确的预测结果,本文以广州机场高速南线为例,选取了具有代表性的10天内的收费数据和交通事件数据,其中收费数据包括车辆进出收费站的收费站点、时间等信息,交通事件数据包括发生事故和施工的位置、时间等信息。验证了所提出的K近邻非参数回归法改进方法的有效性,证明其无论是在分别应用或是共同应用时都能够在一定程度上提高预测精度。并提出了改进后的K近邻非参数回归法在高速公路信息管理系统中的应用。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491
【部分图文】：

图 2.4 第二周-星期二行程时间分布图 2.5 第二周-星期三行程时间分布图知，在同一天内的不同时段里行程时间具有一定的波动性，但势，可以看出行程时间变化中明显的早高峰时段、晚高峰时段比星期二和星期三的行程时间变化规律发现，星期二在晚高峰通量减少，交通流本应逐渐平稳，但是在 20:00 至 22:00 期间行

图 2.5 第二周-星期三行程时间分布图知，在同一天内的不同时段里行程时间具有一定的波动性，但势，可以看出行程时间变化中明显的早高峰时段、晚高峰时段比星期二和星期三的行程时间变化规律发现，星期二在晚高峰通量减少，交通流本应逐渐平稳，但是在 20:00 至 22:00 期间行，这是由于当天 20:16 施工造成的。从约 20:00 开始行程时间呈时路段上开始施工作业，车辆在事故位置的上游开始排队，并约 21:00 左右行程时间的波动达到最大，此时道路上拥挤现象结束清理完毕，排队车辆逐渐减少，由施工引起的拥挤开始消时的变化趋于平稳直至达到自由流状态。可见在高速公路交通定的持续时间才能使交通恢复到正常状态，在这个期间内，高影响，造成了路段行程时间的异常波动。

MATLAB 软件对上述 12 个原始变量进行主成分分析，分析、贡献率和累计贡献率，如表 4.7 所示，其示意图如图 4.4 所表 4.7 主成分分析结果成分 特征值 贡献率 累计贡献率1 81.6244 54.2807 54.28072 40.4656 26.9099 81.19063 17.9439 11.9328 93.12344 5.2135 3.4670 96.59055 1.8411 1.2243 97.81486 1.1578 0.7699 98.58487 0.8876 0.5902 99.17508 0.7805 0.5190 99.69409 0.4023 0.2675 99.961610 0.0578 0.0384 10011 5.6E-32 3.72E-32 10012 1.59E-35 1.06E-35 100
【参考文献】

相关期刊论文 前10条

1 王翔;陈小鸿;杨祥妹;;基于K最近邻算法的高速公路短时行程时间预测[J];中国公路学报;2015年01期

2 赵建东;王浩;刘文辉;;高速公路旅行时间的自适应插值卡尔曼滤波预测[J];华南理工大学学报(自然科学版);2014年02期

3 李慧兵;杨晓光;;面向间断流行程时间预测的浮动车数据挖掘[J];计算机工程与应用;2012年32期

4 于滨;邬珊华;王明华;赵志宏;;K近邻短时交通流预测模型[J];交通运输工程学报;2012年02期

5 任千里;刘恒;雷晓斌;石小法;;基于车牌照数据的城市快速路行程时间短时预测方法研究[J];交通与运输(学术版);2011年02期

6 芮少权;匡安乐;;高速公路月度交通量ARIMA预测模型[J];长安大学学报(自然科学版);2010年04期

7 杨兆升;高学英;;基于影响因素分类的路段行程时间融合研究[J];公路交通科技;2010年04期

8 张晓利;陆化普;;非参数回归方法在短时交通流预测中的应用[J];清华大学学报(自然科学版)网络.预览;2009年09期

9 刘浩;张可;汉克·范少伦;;行程时间噪声数据处理技术研究[J];交通运输系统工程与信息;2009年04期

10 窦慧丽;刘好德;吴志周;杨晓光;;基于小波分析和ARIMA模型的交通流预测方法[J];同济大学学报(自然科学版);2009年04期

相关博士学位论文 前3条

1 李琦;基于多源数据的交通状态监测与预测方法研究[D];吉林大学;2013年

2 钱超;高速公路ETC数据挖掘研究与应用[D];长安大学;2013年

3 张晓利;基于非参数回归的短时交通流量预测方法研究[D];天津大学;2007年

相关硕士学位论文 前10条

1 陈佳维;基于K近邻非参数回归方法的短时交通流预测[D];西南交通大学;2017年

2 徐菲菲;基于微波数据的高速公路交通拥挤检测及旅行时间预测[D];北京交通大学;2016年

3 黄龙超;基于数据驱动的路段旅行时间估计与预测研究[D];北京交通大学;2015年

4 刘亚彬;公交动态调度系统中的数据预测方法[D];东北大学;2014年

5 程丽;高速公路短时交通流预测预警研究[D];昆明理工大学;2014年

6 冯巳洋;基于DE-WNN模型的交通流预测方法研究[D];西南交通大学;2013年

7 吴汉;短时交通流预测及路径选择问题的研究[D];浙江大学;2013年

8 戎亚萍;基于路况数据的交通流预测模型及其对比分析[D];北京交通大学;2013年

9 刘祥;基于改进的非参数回归交通流量预测方法[D];华中科技大学;2011年

10 牛虎;公交车辆到站时间预测研究[D];北京交通大学;2010年

本文编号：2883119