CN110211375A - 基于改进时空关联knn算法的交通流量预测方法 - Google Patents
基于改进时空关联knn算法的交通流量预测方法 Download PDFInfo
- Publication number
- CN110211375A CN110211375A CN201910432785.2A CN201910432785A CN110211375A CN 110211375 A CN110211375 A CN 110211375A CN 201910432785 A CN201910432785 A CN 201910432785A CN 110211375 A CN110211375 A CN 110211375A
- Authority
- CN
- China
- Prior art keywords
- state vector
- value
- traffic flow
- time
- historic
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims description 28
- 238000011524 similarity measure Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 241001269238 Data Species 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于改进时空关联K‑Nearest Neighbor(KNN)算法的短时交通流预测方法。本发明核心思想是先构建能体现交通流量变化趋势的状态向量，进一步从历史状态向量的时间域，空间域两个维度中寻找K个与目标检测器当前时段的最接近的状态向量，解析K个状态向量的权重分配，并预测下一时刻流量值。本发明可将路口短时间的流量序列进行良好预测，为提高流量预测的智能性与科学性、提升交叉口交通流的运行效率提供技术支持，属于交通控制研究领域。
Description
技术领域
本发明提出了一种基于改进时空关联K-Nearest Neighbor(KNN)算法的短时交通流量预测方法，对交通路网中目标检测器下一个时段内通过的车流量进行预测，支撑交通管理及信号控制策略制定与方案优化，属于智能交通研究领域。
背景技术
KNN算法作为一种数据驱动方法，不需要建立复杂的数学模型，也不需要知道先验知识。由于该方法的灵活性，它在非参数方法中得到了广泛的应用。传统的KNN算法基本思想是从所有历史交通流序列中，找到与目标检测器当前时段所处的交通模式最接近的K个序列，进一步获得K个序列下一时刻的流量值并根据相似度对K个流量值进行权重分配，最终得到目标检测器的预测结果。
近年来，研究者们对基础的KNN算法进行了改进，提高了短期交通流量预测在各种实际应用中的性能。然而，现有的方法大多只考虑时间域，只利用目标检测器当前时段和历史时段交通流数据预测下一个时段的交通流，但是在同一时段内，目标路段会与其上下游路段相互影响，所以通过增加交通流的空间相关性来改进KNN算法是一种可行的方法。另外在构造状态向量方面，传统的方式只采用交通流量值作为衡量对象计算相似度，忽视了交通流的趋势变化，所以在构造状态向量时要充分考虑流量的变化趋势，这对于预测精度的增加具有重要意义。
发明内容
本发明的目的在于提出一种基于时空关联KNN算法的短时交通流量预测方法。该方法的核心思想是先构建能体现交通流量变化趋势的状态向量，进一步从历史状态向量的时间域，空间域两个维度中寻找K个与目标检测器当前时段的最接近的状态向量，解析K个状态向量的权重分配，并预测下一时刻流量值。
为实现上述目标，本发明提出的一种基于时空关联KNN算法的短时交通流量预测方法包括：状态向量构建，历史向量组选择，相似性计算，K值选择，权重分配及计算预测值。
本发明包括以下步骤：
c1、状态向量构建
c2、历史状态向量选择
c3、相似性计算
c4、K值选择，权重分配以及计算预测值
步骤c1包括：
c11、令xi(t-j)表示第i天中，在第t-j个时间间隔内的交通流量值，i＝1，2，…，n，j＝1，2，…，m，传统的交通状态向量构建方式为Mi(t)为：
Mi(t)：[xi(t-1)，xi(t-2)，…，xi(t-m)] (1)
Mi(t)表示第i天中第t个时段的状态向量，这种状态向量实际上是对该时段交通模式的描述，传统方式用它之前m个时间间隔的流量值描述当前所处的交通模式。
c12、令表示第i天第t-j与第t-j-1个时间间隔内的交通流量差值i＝1，2，…，n，j＝1，2，…，m，它可以表示该时间间隔内的趋势变化：
那么对传统的交通状态向量引入趋势项进行更新，更新后的状态向量为：
步骤c2的过程包括：
c21：
对目标检测器S某天中第t个时间间隔内的交通流量值xi(t)进行预测时，KNN算法需要寻找到与该时间间隔的状态向量Mi(t)最为接近的K个历史状态向量，如果与所有的历史状态向量进行近似计算会大大增加计算量，通常是先构建一个历史状态向量组，进一步再在组内进行状态向量选择。传统的历史状态向量组通常由目标检测器所有历史天中在第t个间隔的状态向量组成：
c22：
对传统的状态向量组进行时间维度和空间维度两个维度的更新，在时间维度上设置时间延迟参数τ，增加τ个历史状态向量组令τ＝1，在空间维度上处增加上游历史状态组和下游历史状态组更新后的历史状态向量组为Mhistory(t)：
步骤c3的过程包括：
c31:
在状态向量中不只包括流量值还包括流量差值，流量差值具有更小的均值和方差，本方法采用加权的标准化欧氏距离计算待预测状态向量与历史状态向量组中每一个状态向量的相似性。
式中w(a)和w(b)分别表示向量M中第a个元素和第b个元素，流量值的权重和差值的权重分开进行计算，距离目标时段越近的值给予越大的权重值,δ(a)为所有状态向量的第a个元素组成的序列的标准差，δ(b)为所有状态向量的第b个元素组成的序列的标准差。
步骤c4的过程包括：
c41:
针对目标检测器S，需要通过实验的方式从近期(三个月)历史交通流量数据中选择最优K值，本方案采取多折交叉验证，K值的初始候选范围设置为1-15，以MAPE作为准确性的衡量指标，最终通过投票法确认K。
式中T＝288，表示该次试验第t个时间间隔的预测值，O(t)表示该时刻的真实值。
c42：
通过相似性计算以及K值确定出，最为相似的K个状态向量，按照相似性从大到小排列：
通过K个近似的状态向量找到对应的K个流量值：
c43：
设置K个流量值的权重Wk
式中rk表示第k个候选值的位置，z表示权值分散度，一般取为2。
c44：
令待预测值为
本发明的有益效果：本发明通过增加交通流的空间相关性来改进KNN算法，在构造状态向量方面，充分考虑流量的变化趋势。本发明在对交通流量序列进行预测时表现出准确度高、复杂度低，实时性好的优点。
附图说明
图1算法实现过程流程图；
图2K值选择图；
图3预测折线图。
具体实施方式
以某城市某路口90天的流量序列为例，将85天交通流量数据作为历史数据集，将第86-90天的交通流量数据作为待预测序列，对连续5天6:00-21:00内的交通流量数据进行预测，具体实现流程见图1，在这之前需要对90天的流量数据进行预处理包括采用拉格朗日插值法对缺失值填补，异常值滤除以及最大值最小值归一化。下文以第86天第13个时间间隔(t＝13)为例进行交通流量预测。
1.状态向量构建。
1)以5min为一个时间间隔，则一天中一共有288个间隔(24*60/5)，令m＝12
Mi(13)：[xi(12)，xi(11)，…，xi(1)]1≤i≤86
2)更新后的状态向量：
以为例进行说明：
2.历史状态向量选择
1)传统的历史状态向量组：
2)增加时空维度的历史状态向量组：
3.相似性计算：
状态向量的前12项为流量值，权重为w(a)，后11项为流量差值，权重为w(b):
1≤a≤12
1≤b≤11
加权的标准欧氏距离为：
4.K值选择及计算预测值：
1)对目标检测器85天的历史数据进行十七折交叉验证来选择最优K值(将85天分成17份，每次选择一份即5天作为预测天，剩下十六份即80天作为历史天，每次验证不同K下的预测精确度，并记录下该次的最优K值，最终采用投票法选择十七次结果中的最优K值)，以MAPE作为衡量标准表示一天的预测精度，图2展示其中一次的K值选择与预测精度图。最终投票法得到K＝10。
2)按照相似度从大到小排序10个历史状态向量，并找到对应的流量值。
3)分别计算十个流量值的权重Wk，Wk共同组成权重向量Wk。
4)待预测值为：
重复以上四步预测第87-90天的交通流量。
误差计算及比较：以MAPE作为衡量标准，将改进时空关联KNN方法，传统KNN方法，ARIMA方法、LSTM方法进行比较，MAPE分别为7.68，9.51，11.19，8.25。图3展示了四种方法对第86天6:00-21:00的预测结果，从图中看到本方案设计方法预测精度最高。
综上，基于改进时空关联KNN算法的短时交通流量的预测方法能得到较为精准的预测结果。本发明涉及一种交通流量序列的预测方法，具备预测误差小、计算复杂度较低，具有时效性的特点。本发明可将某路口短时间内的交通流量序列进行良好预测，为提高流量预测的智能性与科学性、提升路口交通流的运行效率提供技术支持。
Claims (1)
1.基于改进时空关联KNN算法的交通流量预测方法，该方法包括以下步骤：
步骤c1状态向量构建，具体是：
c11、令xi(t-j)表示第i天中，在第t-j个时间间隔内的交通流量值，i＝1,2,…,n,j＝1,2,…,m，交通状态向量构建方式为Mi(t)为：
Mi(t):[xi(t-1),xi(t-2),…,xi(t-m)] (1)
Mi(t)表示第i天中第t个时段的状态向量；
c12、令表示第i天第t-j与第t-j-1个时间间隔内的交通流量差值：
对式(1)引入趋势项进行更新，更新后的状态向量为：
步骤c2历史状态向量选择，具体是：
c21:对目标检测器S某天中第t个时间间隔内的交通流量值xi(t)进行预测时，KNN算法需要寻找到与该时间间隔的状态向量Mi(t)最为接近的K个历史状态向量，先构建一个历史状态向量组，进一步再在组内进行状态向量选择；
历史状态向量组由目标检测器所有历史天中在第t个间隔的状态向量组成：
c22:对状态向量组进行时间维度和空间维度两个维度的更新，在时间维度上设置时间延迟参数τ，增加τ个史状态向量组 令τ＝1，在空间维度上处增加上游历史状态组和下游历史状态组更新后的历史状态向量组为Mhistory(t)：
步骤c3相似性计算，具体是：
c31:采用加权的标准化欧氏距离计算待预测状态向量与历史状态向量组中每一个状态向量的相似性；
式中w(a)和w(b)分别表示向量M中第a个元素和第b个元素，(a)为所有状态向量的第a个元素组成的序列的标准差，δ(b)为所有状态向量的第b个元素组成的序列的标准差；
步骤c4 K值选择并计算预测值，具体是：
c41:针对目标检测器S，从近期历史交通流量数据中选择最优K值，K值的初始候选范围设置为1-15；
c42:通过相似性计算以及K值确定出，最为相似的K个状态向量，按照相似性从大到小排列：
通过K个近似的状态向量找到对应的K个流量值：
c43:设置K个流量值的权重Wk
式中rk表示第k个候选值的位置，z表示权值分散度；
c44:令待预测值为则：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910432785.2A CN110211375A (zh) | 2019-05-23 | 2019-05-23 | 基于改进时空关联knn算法的交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910432785.2A CN110211375A (zh) | 2019-05-23 | 2019-05-23 | 基于改进时空关联knn算法的交通流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110211375A true CN110211375A (zh) | 2019-09-06 |
Family
ID=67788235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910432785.2A Pending CN110211375A (zh) | 2019-05-23 | 2019-05-23 | 基于改进时空关联knn算法的交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211375A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242378A (zh) * | 2020-01-15 | 2020-06-05 | 湖南日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
| 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 |
| US20220044559A1 (en) * | 2020-12-21 | 2022-02-10 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method and apparatus for outputing vehicle flow direction, roadside device, and cloud control platform |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
| CN106128100A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种基于Spark平台的短时交通流量预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
-
2019
- 2019-05-23 CN CN201910432785.2A patent/CN110211375A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
| CN106128100A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种基于Spark平台的短时交通流量预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
Non-Patent Citations (10)
| Title |
|---|
| BRIAN L. SMITH;;MICHAEL J. DEMETSKY: "Traffic Flow Forecasting: Comparison of Modeling Approaches", 《AMERICAN SOCIETY OF CIVIL ENGINEERS》 * |
| J. MILGRAM ; MOHAMED CHERIET ; R. SABOURIN: "Estimating Accurate Multi-class Probabilities with Support Vector Machines", 《PROCEEDINGS. 2005 IEEE INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| 于滨;邬珊华;王明华;赵志宏: "K近邻短时交通流预测模型", 《交通运输工程学报》 * |
| 傅恺延;丘建栋;庄立坚;陈昶佳;潘嘉杰: "基于K邻近算法的城市道路短时交通预测", 《2018世界交通运输大会论文集》 * |
| 刘钊;杜威;闫冬梅;柴干;郭建华: "基于K近邻算法和支持向量回归组合的短时交通流预测", 《公路交通科技》 * |
| 史殿习等: "一种基于非参数回归的交通速度预测方法", 《计算机科学》 * |
| 张涛;陈先;谢美萍;张玥杰: "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》 * |
| 林川: "基于K近邻非参数回归的短时交通流预测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 程山英: "基于K近邻非参数回归的短时交通流预测模型研究", 《数字技术与应用》 * |
| 陈婧敏: "基于KNN回归的短时交通流预测", 《微型电脑应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242378A (zh) * | 2020-01-15 | 2020-06-05 | 湖南日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
| CN111242378B (zh) * | 2020-01-15 | 2023-09-15 | 正茂日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
| US20220044559A1 (en) * | 2020-12-21 | 2022-02-10 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method and apparatus for outputing vehicle flow direction, roadside device, and cloud control platform |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm | |
| Gil et al. | Surrogate model based optimization of traffic lights cycles and green period ratios using microscopic simulation and fuzzy rule interpolation | |
| CN112216124B (zh) | 一种基于深度强化学习的交通信号控制方法 | |
| CN110517492B (zh) | 基于平行集成学习的交通路径推荐方法、系统、装置 | |
| Xu et al. | Accurate and interpretable bayesian mars for traffic flow prediction | |
| CN110211375A (zh) | 基于改进时空关联knn算法的交通流量预测方法 | |
| CN110491129A (zh) | 基于时空图的发散卷积循环神经网络的交通流预测方法 | |
| CN105513350A (zh) | 基于时空特性的分时段多参数短时交通流预测方法 | |
| CN103839412B (zh) | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 | |
| CN103761138A (zh) | 一种交通仿真软件的参数校正方法 | |
| Zheng et al. | A stochastic simulation-based optimization method for equitable and efficient network-wide signal timing under uncertainties | |
| CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
| CN111985619A (zh) | 一种基于短时交通流预测的城市单交叉口控制方法 | |
| CN109886461A (zh) | 一种径流预报方法及装置 | |
| Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
| CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
| CN103745602B (zh) | 一种基于滑窗平均的交通流量预测方法 | |
| CN101706888A (zh) | 一种旅行时间预测的方法 | |
| Zhang et al. | A novel traffic flow prediction model: Variable order fractional grey model based on an improved grey evolution algorithm | |
| Huo et al. | Cooperative control for multi-intersection traffic signal based on deep reinforcement learning and imitation learning | |
| Aslani et al. | Continuous residual reinforcement learning for traffic signal control optimization | |
| Li et al. | A deep adaptive traffic signal controller with long-term planning horizon and spatial-temporal state definition under dynamic traffic fluctuations | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| Russo et al. | A topological method to choose optimal solutions after solving the multi-criteria urban road network design problem | |
| CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |
|
| WD01 | Invention patent application deemed withdrawn after publication |