基于K近邻算法和支持向量回归组合的短时交通流预测

摘要：

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR).该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测.针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析.研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法.

关键词：交通工程、预测模型、K近邻算法、支持向量回归、短时交通流

所属期刊栏目：34

分类号：U491.1+12(交通工程与公路运输技术管理)

资助基金：国家自然科学基金项目61573106;江苏省普通高校研究生科研创新计划项目KYLX_0168

在线出版日期：2017-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：122-128,158