短時交通流預測算法研究.pdf

1、短時交通流量預測是智能交通系統(tǒng)研究的關鍵。能否對短時交通流量進行實時的、準確的預測對實現交通控制和誘導起到了至關重要的作用。因此，對短時交通流量的預測研究具有十分重要的意義。目前已有一些學者對短時交通流量預測進行了研究，但是交通流系統(tǒng)本身是一個復雜的、非線性的、動態(tài)的實時系統(tǒng)，傳統(tǒng)的數學建模方法和線性方法已經不能適應交通流系統(tǒng)的特點。本文采用基于非參數回歸的方法對短時交通流量進行預測，這種方法能夠適應交通流系統(tǒng)的特點，不用尋找輸入和輸出

2、之間的函數關系表達式，是一種人工智能方法，但是非參數回歸方法也存在一定的缺陷，本文在國內外學者的研究基礎上，結合交通流的特點和非參數回歸方法在預測方面的不足，對其進行了一定的改進。
　　 首先，針對樣本數據庫規(guī)模大，搜索速度慢等問題，本文采用KD樹作為樣本數據的存儲結構，這種存儲結構將樣本空間劃分為多個子空間，在搜索時跳過了無關區(qū)域，新的數據也能夠比較容易的加入到數據庫中，這樣不僅提高了預測的速度，也提高了預測的精度。其次，針對

3、目前大多數交通流預測算法中存在的僅考慮預測點的流量關系，忽略了預測點所在路段與其相關聯路段之間關系的問題，引入空間自相關分析的方法來定義狀態(tài)向量。該方法把與預測時刻有關的若干個時刻和相鄰的路段考慮進來，選擇了更有代表性的值作為預測點的狀態(tài)向量，提高了預測精度。最后本文采用基于K-Means聚類分析的變K近鄰搜索，并且在確定聚類初始中心時，采用基于KD樹子樣的聚類方法，解決了傳統(tǒng)預測方法中選取均—K值對交通流預測精度的影響，而且選擇最優(yōu)聚