基于K邻域非参数回归短时交通流预测方法.pdf

《基于K邻域非参数回归短时交通流预测方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第24卷第2期系统工程学报V01．24No．22009年4月JOURNALOFSYSTEMSENGINEERINGApr．2009基于K一邻域非参数回归短时交通流预测方法①张晓利，贺国光，陆化普(1．清华大学交通研究所，北京100084；2．天津大学管理学院，天津300072)摘要：实时、准确的短时交通流预测是交通控制与诱导中的一个关键问题和难点．非参数回归是解决短时交通流预测问题的较好方法，但是案例库生成难和搜索速度慢是其目前实际应用的两大障碍．为此，提出一种基于平衡二叉树的K一邻域非参数回归(KNN．NPR)的短时交通流预测方法，采用聚类方法和平衡二叉树结构建立

2、案例数据库，以提高预测精度和满足实时性要求．给出了预测示例说明了方法的有效性．关键词：短时交通流预测；非参数回归；聚类；平衡二叉树中图分类号：U491．112文献标识码：A文章编号：1000～5781(2009)02—0178—06Short—termtraficflowforecastingbasedonK-nearestneighborsnon-parametricregressionZHANGXiao—ii，HEGuo．guang，LUHua·pu(1．InstituteofTransportationEngineering，TsinghuaUniversit

3、y，Beijing100084，China；2．SchoolofManagement，TianjinUniversity，Tianjin300072，China)Abstract：Rea1．timeandaccurateshort．termtrafficflowforecastinghasbecomecriticalintraficcontrolandguidance．Non—parametricregressionisagoodwaytosolvetheproblem．Butthefounda—tionofcasedatabaseandthesearchspeed

4、aretwoobstaclesforapplication．AKNN-NPR(K—nearestneighborsnon-parametricregression)methodbasedonbalancedbinarytreetoforecastshort—termtraficflowispresented．Inordertoimproveforecastingprecisionandmeetreal-timereqirement，clusteringmethodsandbalancedbinarytreeareadoptedtobuildcasedatabase．

5、Anexampleisgiventoshowitsavailability．Keywords：short—termtrafficflowforecasting；NPR(non—parametricregression)；clustering；bal-ancedbinarytree0引言它因素的综合影响．在单路口情况下，变量通常是与被研究路段相关路段流量，如图1所示，为了研究某条道路的流量y的变化规律，通路段a、a：和a，为入网路段，与被研究路段常找出影响y的相关变量，给出其回归表达式b相关．Y=-厂()+U(1)在非参数估计中，不假定也不固定函数其中，U为随机误差项

6、，反映了影响y的其厂(X)的形式，且不设置参数，函数在每一点的值①收稿日期：2006—06—08；修订日期：2007—10—29．基金项目：北京市科学技术委员会科技计划资助项目(Do7O2O60l4oo7O5)第2期张晓利等：基于K一邻域非参数回归短时交通流预测方法都由数据决定．非参数回归估计要解决的问题，增加．例如TheHamptonRoadsSmartTraffic就是根据训练输入输出样本对(X，y1)找到函数Center(HRSTC)对Virginia约30km长的高速公厂的非参数逼近函数．它是一种基于“模式识路建立203个点634个检测器，数据量达到18．别

7、”的无模型预测方法．此方法试图识别出与预GB，并且以650MB／月的速度递增．而非参测时刻的系统具有相同输入值和状态的一组过去数回归从本质上来说，还是一种基于模式识别的案例，或者说是要找出与现行输入相似的一的智能方法，预测性能的优劣在很大程度上取“簇”历史数据，根据这“簇”数据的输出值决定决于案例数据库中所包含的各种交通流模式的预测值．此方法的关键就是如何确定与预测时完备性和典型性，因此这种方法的应用难点在刻系统状态最为相似的一“簇”历史数据．一般于邻域的选定(包括邻域数量K的确定)和数据地，这个最近邻域由离输入状态点距离最近的K库的规模；个点构成。’．2)搜索