基于数据约减和支持向量机的非参数回归短时交通流预测算法

发布时间：2022-01-14 03:10

　　交通流短时预测对保障智能交通系统的快速运行具有至关重要的作用。准确高效的交通流短时预测不仅可给交通流管理者提供辅助决策支持,同时可提高驾驶人员的出行效率,躲避或减缓交通拥堵。利用传统的非参数回归方法短时预测交通流在数据体量大、维度较高时,存在模式库需要的存储空间大、查询速度慢等缺点。针对这一问题,提出了一种改进的非参数回归交通流预测算法,不仅可提高算法的运算效率,同时可提升算法的预测精度。首先,使用主成分分析方法对模式维度进行了降维处理,以克服维度过高引起的匹配速度慢且无关维度的干扰等问题。其次,采用模糊C均值聚类方法对原始交通流数据进行了聚类筛选,以减少所需模式的数量,提升近邻搜索的速度。接着,使用多维搜索结构KD数代替常用的线性表作为模式库的存储结构,实现了模式的高速搜索。最后,融合支持向量机方法,运用搜索到的K个模式估计出最终待预测变量的值。进一步使用深圳市的实际数据对算法进行了检验。结果表明:该算法相比传统方法在运算效率和精度方面都有一定的提高,能够满足实时大规模交通流预测所需要的预测准确度、实时性和动态性等方面的要求,具有一定的应用价值。 

【文章来源】：公路交通科技. 2020,37(07)北大核心CSCD

【文章页数】：6 页

【部分图文】：

试验路网拓扑结构

本研究试图在一般K-邻域非参数回归算法基础上进行改进。采用的预测方法由主成分分析、模糊聚类、非参数回归、样本数据库和调节回路等部分组成,各组成部分之间不仅相互联系,而且每个组成部分又包括多个操作或算法,共同构成了预测的整体框架。算法框架如图1所示。1.1 基于主成分分析的数据降维

【参考文献】：
期刊论文
[1]基于WPD-PSO-ESN的短期交通流预测[J]. 万玉龙,李新春,周红标.  公路交通科技. 2019(08)
[2]基于交互式BP-UKF模型的短时交通流预测方法[J]. 唐智慧,郑伟皓,董维,李娟.  公路交通科技. 2019(04)
[3]考虑大型车因素的支持向量机短时交通状态预测模型研究[J]. 孙静怡,牟若瑾,刘拥华.  公路交通科技. 2018(10)
[4]基于遗传算法优化和KD树的交通流非参数回归预测方法[J]. 贾宁,马寿峰,钟石泉.  控制与决策. 2012(07)
[5]基于K-邻域非参数回归短时交通流预测方法[J]. 张晓利,贺国光,陆化普.  系统工程学报. 2009(02)
[6]基于主成分分析和组合神经网络的短时交通流预测方法[J]. 张晓利,贺国光.  系统工程理论与实践. 2007(08)
[7]基于小波分析与神经网络的交通流短时预测方法[J]. 张晓利.  信息与控制. 2007(04)



本文编号：3587688