CN105336163A - 一种基于三层k近邻的短时交通流预测方法 - Google Patents
一种基于三层k近邻的短时交通流预测方法 Download PDFInfo
- Publication number
- CN105336163A CN105336163A CN201510702085.2A CN201510702085A CN105336163A CN 105336163 A CN105336163 A CN 105336163A CN 201510702085 A CN201510702085 A CN 201510702085A CN 105336163 A CN105336163 A CN 105336163A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- state vector
- historical
- formula
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于三层K近邻的短时交通流预测方法。包括如下步骤:(1)基于固定时间间隔统计交通流量并建立历史样本数据库;(2)分别采用相似离度和相关系数评价当前点和历史数据库中点的形状相似度,并进行点的第一层筛选;(3)根据命中率及形似距离对第一层筛选出的点进行综合评价,并进行点的第二层筛选;(4)用欧氏距离法评价当前点和第二层筛选出的点的匹配距离,并采用各最近邻点平移到当前点后相应下一时刻交通流量的组合形状相似距离倒数的加权平均值输出预测结果。本发明采用了两层形状相似性匹配功能,考虑了最近邻点和当前点之间的形状匹配距离,提高了短时交通流预测的准确性与实时性。
Description
技术领域
本发明涉及一种短时交通流预测方法,更具体的说,尤其涉及一种基于三层K近邻的短时交通流预测方法。
背景技术
随着社会经济的发展,城市规模不断扩大,城市交通问题越来越突出。智能交通系统被视为解决交通拥堵问题的一种重要手段。随着智能交通各个领域相关技术的进步,无论是交通出行者或是交通管理者都迫切想要实时动态地获取道路上的交通运行状态,实时动态交通分配已成为智能交通系统的关键技术。实时动态交通分配需要在做出控制变量决策的时刻t对下一决策时刻t+1乃至以后若干时刻的交通流量做出预测,一般认为t到t+1之间的预测时间跨度不超过15分钟(甚至小于5分钟)的预测是短时交通流预测。
目前短时交通流预测模型中,主要是基于参数回归的方法,有历史平均模型、时间序列模型、卡尔曼滤波模型、小波理论模型、神经网络模型等。相对于参数回归,非参数回归是另一类预测方法,它并不对数据作任何严格的限定,只需借助足够的历史数据来描述系统,并仅依赖于已有数据来决定输入和输出的关系,当有新数据产生时不需要对参数做耗时的调整。
K近邻非参数回归是公路短时交通流预测的可靠方法之一,它能够很好地体现交通流的非线性、时变性和不确定性。但是道路交通系统是—个有时变的、复杂的非线性系统,它的显著特点之一就是具有高度的不确定性,致使单一K近邻非参数回归预测模型对复杂的交通流量预测稳定性不高。一些组合的短时交通流预测方法往往算法复杂、计算量较大,不能同时兼顾预测的准确性与实时性。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种的基于三层K近邻的短时交通流预测方法。
本发明的基于三层K近邻的短时交通流预测方法,通过以下步骤来实现:
a).建立历史样本数据库,根据待预测路段的历史交通流量,建立待预测路段的m个历史交通流量状态向量Vh1、Vh2、…、Vhm,形成历史样本数据库,其中历史交通流量状态向量如公式(1)所示:
Vhi=[vhi(t-l+1),vhi(t-l+2),…,vhi(t)](1)
式中,1≤i≤m,m为历史交通流量状态向量的数目,vhi(t-l+1)、vhi(t-l+2)、…、vhi(t)分别为历史交通流量状态向量Vhi中t-l+1、t-l+2、...、t时刻的交通流量,l表示历史交通流量状态向量的维数;
b).采集当前交通流量状态向量,基于固定时间间隔统计待预测路段的当前交通流量状态向量V(t),V(t)的表达式如公式(2)所示:
V(t)=[v(t-l+1),v(t-l+2),…,v(t)](2)
式中,V(t)为待预测路段t时刻的交通流量状态向量,v(t-l+1)、v(t-l+2)、…、v(t)分别为交通流量状态向量V(t)中t-l+1、t-l+2、...、t时刻的交通流量,l表示当前交通流量状态向量的维数;
c).利用相似度进行筛选,通过步骤c-1)至c-2)来实现:
c-1).求交通流量的平均差值,根据公式(3)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj所有对应向量分量的平均差值Ej:
式中,1≤i≤l,1≤j≤m,l为交通流量状态向量的维数,m为历史样本数据库中历史交通流量状态向量的数目;dji为当前交通流量状态向量V(t)中的第l+1-i个向量分量与历史交通流量状态向量Vhj中的第l+1-i个向量分量的差值,其通过公式(4)进行求取:
dji=v(t-i+1)-vhj(t-i+1)(4)
式中,1≤i≤l,1≤j≤m;
c-2).求取相似离度,将历史数据库中所有的历史交通流量状态向量均通过步骤c-1)进行处理,然后根据公式(5)求取当前交通流量状态向量V(t)与每一个历史交通流量状态向量Vhj的相似离度Rj:
式中,1≤i≤l,1≤j≤m;
所有的历史交通流量状态向量均进行步骤(5)的处理后,即可获取m个相似离度R1、R2、…、Rm,按照相似离度从小到大进行排序,选出相似离度最小即距离最近的前n个,其对应的历史交通流量状态向量构成集合A,集合A中的元素分别记为Vh(t1)、Vh(t2)、…、Vh(tn),即:
A={Vh(t1),Vh(t2),...,Vh(tn)}
即得到筛选后的集合A;
d).利用相关系数进行筛选,通过步骤d-1)至d-2)来实现:
d-1).求取相关系数,通过公式(6)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj的相关系数R′j,以通过相关系数来评价两状态向量的形状相似度:
其中,为当前交通流量状态向量V(t)中所有向量的平均值,其通过公式(7)进行求取:
为历史交通流量状态Vhi中所有向量的平均值,其通过公式(8)进行求取:
公式(6)、(7)和(8)中,1≤i≤l,1≤j≤m;
d-2).求取筛选后的集合A′,经过步骤d-1)的处理后,可获取m个历史交通流量状态向量与当前交通流量状态向量的相关系数R′1、R′2、…、R′m,将m个相关系数从大到小排序,选出相关系数最大的前n个,其对应的历史交通流量状态向量构成集合A′,集合A′中的元素分别记为Vh(t′1)、Vh(t′2)、…、Vh(t′n),即:
A′={Vh(t′1),Vh(t′2),...,Vh(t′n)}
即得到筛选后的集合A′;获取了集合A和A′后即完成了第一层的匹配与筛选;
e).第二层的匹配与筛选,将属于集合A与A′的交集以及仅属于集合A或A′的历史交通流量状态共计n个,归入集合B中,形成第二层匹配与筛选后的集合B;
f).获取下一时段的交通流量预测结果,首先利用欧氏距离来评价当前交通流量状态向量和集合B的点的相似度,采用基于组合形状相似距离倒数的加权平均法和最相似点距离调整法来构造预测函数,得到下一时段的交通流量预测结果。
本发明的基于三层K近邻的短时交通流预测方法,步骤e)中所述的第二层的匹配与筛选,通过以下步骤来实现:
e-1).令i=1,集合C=φ,集合D=φ,B=φ;e-2).对于集合A中的历史交通流量状态向量Vh(ti),若Vh(ti)∈A′,则Vh(ti)∈C;e-3).i依次取1,2,…,n,执行步骤e-2),获取最终的集合C;e-4).令j=1,q=n-card(C),函数card(C)返回集合C中元素的数目;e-5).对于集合A中的历史交通流量状态向量Vh(tj),若则Vh(tj)∈D;对于集合A′中的历史交通流量状态向量Vh(t′j),若Vh(t′j)∈A,则Vh(t′j)∈D;e-6).j依次取1,2,…,n,执行步骤e-5),直至card(D)=q结束,获取最终的集合D;e-7).取集合C与集合D的并集,得到经过第二层匹配与筛选后的集合B,B=C∪D。
本发明的基于三层K近邻的短时交通流预测方法,步骤f)中所述的获取下一时段的交通流量预测结果,通过以下步骤来实现:
f-1).求与集合B中元素的欧式距离,通过公式(9)求取当前交通流量状态向量V(t)与集合B中历史交通流量状态向量Vhj的欧式距离dhj:
式中,1≤j≤集合B中元素的数目,1≤i≤l,l为交通流量状态向量的维数;
f-2).选取距离最近的k个点,对当前交通流量状态向量与集合B中历史交通流量状态向量的欧式距离由小到大进行排序,选取距离最近的k个点,这k个点就形成了第三层匹配与筛选后的集合,设该集合为F;
f-3).预测下一时段的交通流量,采用如公式(10)所示的基于相似离度和相关系数的加权平均法和最相似点距离调整法来构造预测函数
其中,
为下一时段交通流量的预测值,k为集合F中元素的个数;R′、R分别为相关系数、相似离度;bj为当前交通流量状态向量与集合F中某个历史交通流量状态向量中向量分量的总平均差值,l为交通流量状态向量的维数。
本发明的基于三层K近邻的短时交通流预测方法,所述的交通流量状态向量的维数l满足:l∈[5,8];集合A和集合A′中所选取的历史交通流量状态向量的数目n满足:n∈[60,100];集合F中所选取距离最近的历史交通流量状态向量的数目k满足:k∈[5,12]。
本发明的有益效果是:本发明的基于三层K近邻的短时交通流预测方法,分别采用相似离度和相关系数度量当前点和历史数据库中点的形状相似性,考虑了两种形状相似性度量方法筛选结果的重合命中率及各自的相似性排序,改进了近邻非参数回归方法的预测能力,并且采用各最近邻点平移到当前点后相应下一时刻交通流量的组合形状相似距离倒数的加权平均值输出预测结果,提高了短时交通流预测的准确性与实时性,是一种行之有效的短时交通流预测方法,其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。
附图说明
图1为本发明的基于三层K近邻的短时交通流预测方法的流程图;
图2为本发明中通过集合A和集合A′获取集合B的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的基于三层K近邻的短时交通流预测方法的流程图,其通过以下步骤来实现:
a).建立历史样本数据库,根据待预测路段的历史交通流量,建立待预测路段的m个历史交通流量状态向量Vh1、Vh2、…、Vhm,形成历史样本数据库,其中历史交通流量状态向量如公式(1)所示:
Vhi=[vhi(t-l+1),vhi(t-l+2),…,vhi(t)](1)
式中,1≤i≤m,m为历史交通流量状态向量的数目,vhi(t-l+1)、vhi(t-l+2)、…、vhi(t)分别为历史交通流量状态向量Vhi中t-l+1、t-l+2、...、t时刻的交通流量,l表示历史交通流量状态向量的维数;
b).采集当前交通流量状态向量,基于固定时间间隔统计待预测路段的当前交通流量状态向量V(t),V(t)的表达式如公式(2)所示:
V(t)=[v(t-l+1),v(t-l+2),…,v(t)](2)
式中,V(t)为待预测路段t时刻的交通流量状态向量,v(t-l+1)、v(t-l+2)、…、v(t)分别为交通流量状态向量V(t)中t-l+1、t-l+2、...、t时刻的交通流量,l表示当前交通流量状态向量的维数;
当前和历史交通流量状态向量的维数均为l,状态向量维数的选取直接关系到预测精度和算法的效率,若l过大,则会造成状态向量涵盖多种交通流变化规律,且计算量增大,若l过小,则状态向量无法体现交通流的某种变化规律;l过大或过小都会降低预测精度,在具体实施时,l∈[5,8]。
c).利用相似度进行筛选,通过步骤c-1)至c-2)来实现:
c-1).求交通流量的平均差值,根据公式(3)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj所有对应向量分量的平均差值Ej:
式中,1≤i≤l,1≤j≤m,l为交通流量状态向量的维数,m为历史样本数据库中历史交通流量状态向量的数目;dji为当前交通流量状态向量V(t)中的第l+1-i个向量分量与历史交通流量状态向量Vhj中的第l+1-i个向量分量的差值,其通过公式(4)进行求取:
dji=v(t-i+1)-vhj(t-i+1)(4)
式中,1≤i≤l,1≤j≤m;
c-2).求取相似离度,将历史数据库中所有的历史交通流量状态向量均通过步骤c-1)进行处理,然后根据公式(5)求取当前交通流量状态向量V(t)与每一个历史交通流量状态向量Vhj的相似离度Rj:
式中,1≤i≤l,1≤j≤m;
所有的历史交通流量状态向量均进行步骤(5)的处理后,即可获取m个相似离度R1、R2、…、Rm,按照相似离度从小到大进行排序,选出相似离度最小即距离最近的前n个,其对应的历史交通流量状态向量构成集合A,集合A中的元素分别记为Vh(t1)、Vh(t2)、…、Vh(tn),即:
A={Vh(t1),Vh(t2),...,Vh(tn)}
即得到筛选后的集合A;
d).利用相关系数进行筛选,通过步骤d-1)至d-2)来实现:
d-1).求取相关系数,通过公式(6)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj的相关系数R′j,以通过相关系数来评价两状态向量的形状相似度:
其中,为当前交通流量状态向量V(t)中所有向量的平均值,其通过公式(7)进行求取:
为历史交通流量状态Vhi中所有向量的平均值,其通过公式(8)进行求取:
公式(6)、(7)和(8)中,1≤i≤l,1≤j≤m;
d-2).求取筛选后的集合A′,经过步骤d-1)的处理后,可获取m个历史交通流量状态向量与当前交通流量状态向量的相关系数R′1、R′2、…、R′m,将m个相关系数从大到小排序,选出相关系数最大的前n个,其对应的历史交通流量状态向量构成集合A′,集合A′中的元素分别记为Vh(t′1)、Vh(t′2)、…、Vh(t′n),即:
A′={Vh(t′1),Vh(t′2),...,Vh(t′n)}
即得到筛选后的集合A′;获取了集合A和A′后即完成了第一层的匹配与筛选;
集合A和A′中元素的数量取值n直接影响到预测精度和算法的效率,n取值过小会降低预测精度,n取值过大会降低算法效率,在具体实施时,n∈[60,100]。
e).第二层的匹配与筛选,将属于集合A与A′的交集以及仅属于集合A或A′的历史交通流量状态共计n个,归入集合B中,形成第二层匹配与筛选后的集合B;
该步骤中,所述的第二层的匹配与筛选,通过以下步骤来实现:
e-1).令i=1,集合C=φ,集合D=φ,B=φ;
e-2).对于集合A中的历史交通流量状态向量Vh(ti),若Vh(ti)∈A′,则Vh(ti)∈C;
e-3).i依次取1,2,…,n,执行步骤e-2),获取最终的集合C;
e-4).令j=1,q=n-card(C),函数card(C)返回集合C中元素的数目;
e-5).对于集合A中的历史交通流量状态向量Vh(tj),若则Vh(tj)∈D;对于集合A′中的历史交通流量状态向量Vh(t′j),若Vh(t′j)∈A,则Vh(t′j)∈D;
e-6).j依次取1,2,…,n,执行步骤e-5),直至card(D)=q结束,获取最终的集合D;
e-7).取集合C与集合D的并集,得到经过第二层匹配与筛选后的集合B,B=C∪D。
f).获取下一时段的交通流量预测结果,首先利用欧氏距离来评价当前交通流量状态向量和集合B的点的相似度,采用基于组合形状相似距离倒数的加权平均法和最相似点距离调整法来构造预测函数,得到下一时段的交通流量预测结果。
该步骤中,所述的获取下一时段的交通流量预测结果,通过以下步骤来实现:
f-1).求与集合B中元素的欧式距离,通过公式(9)求取当前交通流量状态向量V(t)与集合B中历史交通流量状态向量Vhj的欧式距离dhj:
式中,1≤j≤集合B中元素的数目,1≤i≤l,l为交通流量状态向量的维数;
f-2).选取距离最近的k个点,对当前交通流量状态向量与集合B中历史交通流量状态向量的欧式距离由小到大进行排序,选取距离最近的k个点,这k个点就形成了第三层匹配与筛选后的集合,设该集合为F;
在实际应用时,如果k的取值过大,预测函数就过于平滑,降低预测精度,但是,k值的选取也不能太小,太小的话就会增加偶然因素的成分,影响预测的精度,这里k∈[5,12]。
f-3).预测下一时段的交通流量,采用如公式(10)所示的基于相似离度和相关系数的加权平均法和最相似点距离调整法来构造预测函数
其中,
为下一时段交通流量的预测值,k为集合F中元素的个数;R′、R分别为相关系数、相似离度;bj为当前交通流量状态向量与集合F中某个历史交通流量状态向量中向量分量的总平均差值,l为交通流量状态向量的维数。
Claims (4)
1.一种基于三层K近邻的短时交通流预测方法,其特征在于,通过以下步骤来实现:
a).建立历史样本数据库,根据待预测路段的历史交通流量,建立待预测路段的m个历史交通流量状态向量Vh1、Vh2、…、Vhm,形成历史样本数据库,其中历史交通流量状态向量如公式(1)所示:
Vhi=[vhi(t-l+1),vhi(t-l+2),…,vhi(t)](1)
式中,1≤i≤m,m为历史交通流量状态向量的数目,vhi(t-l+1)、vhi(t-l+2)、…、vhi(t)分别为历史交通流量状态向量Vhi中t-l+1、t-l+2、...、t时刻的交通流量,l表示历史交通流量状态向量的维数;
b).采集当前交通流量状态向量,基于固定时间间隔统计待预测路段的当前交通流量状态向量V(t),V(t)的表达式如公式(2)所示:
V(t)=[v(t-l+1),v(t-l+2),…,v(t)](1)
式中,V(t)为待预测路段t时刻的交通流量状态向量,v(t-l+1)、v(t-l+2)、…、v(t)分别为交通流量状态向量V(t)中t-l+1、t-l+2、...、t时刻的交通流量,l表示当前交通流量状态向量的维数;
c).利用相似度进行筛选,通过步骤c-1)至c-2)来实现:
c-1).求交通流量的平均差值,根据公式(3)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj所有对应向量分量的平均差值Ej:
式中,1≤i≤l,1≤j≤m,l为交通流量状态向量的维数,m为历史样本数据库中历史交通流量状态向量的数目;dji为当前交通流量状态向量V(t)中的第l+1-i个向量分量与历史交通流量状态向量Vhj中的第l+1-i个向量分量的差值,其通过公式(4)进行求取:
dji=v(t-i+1)-vhj(t-i+1)(4)
式中,1≤i≤l,1≤j≤m;
c-2).求取相似离度,将历史数据库中所有的历史交通流量状态向量均通过步骤c-1)进行处理,然后根据公式(5)求取当前交通流量状态向量V(t)与每一个历史交通流量状态向量Vhj的相似离度Rj:
式中,1≤i≤l,1≤j≤m;
所有的历史交通流量状态向量均进行步骤(5)的处理后,即可获取m个相似离度R1、R2、…、Rm,按照相似离度从小到大进行排序,选出相似离度最小即距离最近的前n个,其对应的历史交通流量状态向量构成集合A,集合A中的元素分别记为Vh(t1)、Vh(t2)、…、Vh(tn),即:
A={Vh(t1),Vh(t2),...,Vh(tn)}
即得到筛选后的集合A;
d).利用相关系数进行筛选,通过步骤d-1)至d-2)来实现:
d-1).求取相关系数,通过公式(6)求取当前交通流量状态向量V(t)与历史交通流量状态向量Vhj的相关系数R′j,以通过相关系数来评价两状态向量的形状相似度:
其中,为当前交通流量状态向量V(t)中所有向量的平均值,其通过公式(7)进行求取:
为历史交通流量状态Vhi中所有向量的平均值,其通过公式(8)进行求取:
公式(6)、(7)和(8)中,1≤i≤l,1≤j≤m;
d-2).求取筛选后的集合A′,经过步骤d-1)的处理后,可获取m个历史交通流量状态向量与当前交通流量状态向量的相关系数R′1、R′2、…、R′m,将m个相关系数从大到小排序,选出相关系数最大的前n个,其对应的历史交通流量状态向量构成集合A′,集合A′中的元素分别记为Vh(t′1)、Vh(t′2)、…、Vh(t′n),即:
A′={Vh(t′1),Vh(t′2),...,Vh(t′n)}
即得到筛选后的集合A′;获取了集合A和A′后即完成了第一层的匹配与筛选;
e).第二层的匹配与筛选,将属于集合A或属于集合A′但不属于集合A与集合A′交集的历史交通流量状态向量归入集合B中,形成第二层匹配与筛选后的集合B;
f).获取下一时段的交通流量预测结果,首先利用欧氏距离来评价当前交通流量状态向量和集合B的点的相似度,采用基于组合形状相似距离倒数的加权平均法和最相似点距离调整法来构造预测函数,得到下一时段的交通流量预测结果。
2.根据权利要求1所述的基于三层K近邻的短时交通流预测方法,其特征在于,步骤e)中所述的第二层的匹配与筛选,通过以下步骤来实现:
e-1).令i=1,集合C=φ,集合D=φ,B=φ;
e-2).对于集合A中的历史交通流量状态向量Vh(ti),若Vh(ti)∈A′,则Vh(ti)∈C;
e-3).i依次取1,2,…,n,执行步骤e-2),获取最终的集合C;
e-4).令j=1,q=n-card(C),函数card(C)返回集合C中元素的数目;
e-5).对于集合A′中的历史交通流量状态向量Vh(t′j),若则Vh(t′j)∈D;
e-6).j依次取1,2,…,n,执行步骤e-5),直至card(D)=q结束,获取最终的集合D;
e-7).取集合C与集合D的并集,得到经过第二层匹配与筛选后的集合B,B=C∪D。
3.根据权利要求1或2所述的基于三层K近邻的短时交通流预测方法,其特征在于:步骤f)中所述的获取下一时段的交通流量预测结果,通过以下步骤来实现:
f-1).求与集合B中元素的欧式距离,通过公式(9)求取当前交通流量状态向量V(t)与集合B中历史交通流量状态向量Vhj的欧式距离dhj:
式中,1≤j≤集合B中元素的数目,1≤i≤l,l为交通流量状态向量的维数;
f-2).选取距离最近的k个点,对当前交通流量状态向量与集合B中历史交通流量状态向量的欧式距离由小到大进行排序,选取距离最近的k个点,这k个点就形成了第三层匹配与筛选后的集合,设该集合为F;
f-3).预测下一时段的交通流量,采用如公式(10)所示的基于相似离度和相关系数的加权平均法和最相似点距离调整法来构造预测函数
其中,
为下一时段交通流量的预测值,k为集合F中元素的个数;R′、R分别为相关系数、相似离度;bj为当前交通流量状态向量与集合F中某个历史交通流量状态向量中向量分量的总平均差值,l为交通流量状态向量的维数。
4.根据权利要求1或2所述的基于三层K近邻的短时交通流预测方法,其特征在于:所述的交通流量状态向量的维数l满足:l∈[5,8];集合A和集合A′中所选取的历史交通流量状态向量的数目n满足:n∈[60,100];集合F中所选取距离最近的历史交通流量状态向量的数目k满足:k∈[5,12]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510702085.2A CN105336163B (zh) | 2015-10-26 | 2015-10-26 | 一种基于三层k近邻的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510702085.2A CN105336163B (zh) | 2015-10-26 | 2015-10-26 | 一种基于三层k近邻的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105336163A true CN105336163A (zh) | 2016-02-17 |
CN105336163B CN105336163B (zh) | 2017-09-26 |
Family
ID=55286658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510702085.2A Active CN105336163B (zh) | 2015-10-26 | 2015-10-26 | 一种基于三层k近邻的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105336163B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600959A (zh) * | 2016-12-13 | 2017-04-26 | 广州市公共交通数据管理中心 | 一种交通拥堵指数的预测方法 |
CN107067764A (zh) * | 2017-03-21 | 2017-08-18 | 东南大学 | 一种城市交叉口可变导向车道自适应控制方法 |
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN107862866A (zh) * | 2017-11-06 | 2018-03-30 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
CN107978147A (zh) * | 2017-10-31 | 2018-05-01 | 上海工程技术大学 | 一种基于knn算法的交通流异常数据双向检测修复方法 |
CN108802776A (zh) * | 2018-07-02 | 2018-11-13 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN109598933A (zh) * | 2018-12-10 | 2019-04-09 | 南京邮电大学 | 一种基于数据驱动的k邻近非参数回归的交通流预测方法 |
CN109635859A (zh) * | 2018-12-04 | 2019-04-16 | 华南理工大学 | 基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
CN109752997A (zh) * | 2018-12-29 | 2019-05-14 | 珠海格力电器股份有限公司 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
CN110299009A (zh) * | 2019-07-22 | 2019-10-01 | 上海工程技术大学 | 一种基于knn算法的预测短时交通流的方法和电子设备 |
CN110738373A (zh) * | 2019-10-15 | 2020-01-31 | 中国城市规划设计研究院 | 一种土地交通生成和分布预测方法及系统 |
CN111667694A (zh) * | 2020-06-22 | 2020-09-15 | 河北工业大学 | 一种基于改进dtw-knn的短时交通流预测方法 |
CN112684295A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司电力科学研究院 | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 |
CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982843A (zh) * | 2010-10-21 | 2011-03-02 | 天津大学 | 一种非参数回归短时交通流预测中状态向量的选取方法 |
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
US8566030B1 (en) * | 2011-05-03 | 2013-10-22 | University Of Southern California | Efficient K-nearest neighbor search in time-dependent spatial networks |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
-
2015
- 2015-10-26 CN CN201510702085.2A patent/CN105336163B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
CN101982843A (zh) * | 2010-10-21 | 2011-03-02 | 天津大学 | 一种非参数回归短时交通流预测中状态向量的选取方法 |
US8566030B1 (en) * | 2011-05-03 | 2013-10-22 | University Of Southern California | Efficient K-nearest neighbor search in time-dependent spatial networks |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
Non-Patent Citations (7)
Title |
---|
LI SHUANGSHUANG: "《A k-nearst neighbor locally weighted regression method for short-term traffic flow forecasting》", 《2012 15TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
LI SHUANGSHUANG: "《A Weighted Pattern Recognition Algorithm for Short-Term Traffic Flow Forecasting》", 《2012 9TH IEEE INTERNATIONAL CONFERENCE ON NETWORKING,SENSING AND CONTROL(ICNSC)》 * |
TIGRAN T.TCHRAKIAN: "《Real-Time Traffic Flow Forecasting Using Spectral Analysis》", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
YUAN ZHENGWU: "《Researth on K Nearest Non-parametric Regression Algorithm Based on KD-Tree and Clustering Analysis》", 《2012 FOURTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 * |
侯晓宇: "《基于双层K近邻算法的短时交通流预测》", 《交通标准化》 * |
张涛: "《基于K近邻非参数回归的短时交通流预测方法》", 《系统工程理论与实践》 * |
范鲁明: "《改进的K近邻非参数回归在短时交通流量预测中的应用》", 《长沙交通学院学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600959B (zh) * | 2016-12-13 | 2019-12-20 | 广州市公共交通数据管理中心 | 一种交通拥堵指数的预测方法 |
CN106600959A (zh) * | 2016-12-13 | 2017-04-26 | 广州市公共交通数据管理中心 | 一种交通拥堵指数的预测方法 |
CN107067764A (zh) * | 2017-03-21 | 2017-08-18 | 东南大学 | 一种城市交叉口可变导向车道自适应控制方法 |
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN107978147A (zh) * | 2017-10-31 | 2018-05-01 | 上海工程技术大学 | 一种基于knn算法的交通流异常数据双向检测修复方法 |
CN107978147B (zh) * | 2017-10-31 | 2021-05-11 | 上海工程技术大学 | 一种基于knn算法的交通流异常数据双向检测修复方法 |
CN107862866A (zh) * | 2017-11-06 | 2018-03-30 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
CN107862866B (zh) * | 2017-11-06 | 2020-10-16 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
CN108802776A (zh) * | 2018-07-02 | 2018-11-13 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN108802776B (zh) * | 2018-07-02 | 2021-03-02 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN109635859A (zh) * | 2018-12-04 | 2019-04-16 | 华南理工大学 | 基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
CN109635859B (zh) * | 2018-12-04 | 2021-11-30 | 华南理工大学 | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
CN109598933A (zh) * | 2018-12-10 | 2019-04-09 | 南京邮电大学 | 一种基于数据驱动的k邻近非参数回归的交通流预测方法 |
CN109598933B (zh) * | 2018-12-10 | 2021-09-03 | 南京邮电大学 | 一种基于数据驱动的k邻近非参数回归的交通流预测方法 |
CN109752997B (zh) * | 2018-12-29 | 2021-09-28 | 珠海格力电器股份有限公司 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
CN109752997A (zh) * | 2018-12-29 | 2019-05-14 | 珠海格力电器股份有限公司 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
CN110299009A (zh) * | 2019-07-22 | 2019-10-01 | 上海工程技术大学 | 一种基于knn算法的预测短时交通流的方法和电子设备 |
CN110738373A (zh) * | 2019-10-15 | 2020-01-31 | 中国城市规划设计研究院 | 一种土地交通生成和分布预测方法及系统 |
CN111667694A (zh) * | 2020-06-22 | 2020-09-15 | 河北工业大学 | 一种基于改进dtw-knn的短时交通流预测方法 |
CN112684295A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司电力科学研究院 | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 |
CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
CN113420414B (zh) * | 2021-05-27 | 2022-08-30 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
Also Published As
Publication number | Publication date |
---|---|
CN105336163B (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105336163A (zh) | 一种基于三层k近邻的短时交通流预测方法 | |
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
Goves et al. | Short term traffic prediction on the UK motorway network using neural networks | |
CN105070042B (zh) | 一种交通预测的建模方法 | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
CN109285346A (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN106251625A (zh) | 大数据环境下立体城市交通路网全局状态预测方法 | |
CN106780089A (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN110428096A (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
CN106952105A (zh) | 一种基于迁移学习的商铺最优化选址方法 | |
CN106096756A (zh) | 一种城市交通路网动态实时多路口路径选择方法 | |
CN108564790A (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
CN104916124B (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
CN104217002A (zh) | 一种基于高质量数据获取的路况信息填补方法 | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
CN102568205A (zh) | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 | |
CN102867407A (zh) | 一种停车场有效泊位占有率多步预测方法 | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN103150643A (zh) | 基于加权主成分分析的航空枢纽服务水平综合评价方法 | |
CN104599500A (zh) | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN101866143A (zh) | 基于时空特征聚合的道路交通服务水平预测预报方法 | |
CN106548625A (zh) | 一种城市道路交通状况组合预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |