基于K近邻算法和支持向量回归组合的短时交通流预测

被引：48

作者：

刘钊

杜威

闫冬梅

柴干

郭建华

机构：

[1] 东南大学智能运输系统研究中心

来源：

公路交通科技 | 2017年 / 34卷 / 05期

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;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

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。

引用

页码：122 / 128+158 +158

页数：8

共 16 条

[1]

Short-term traffic speed forecasting hybrid model based on Chaos–Wavelet Analysis-Support Vector Machine theory.[J].Jin Wang;Qixin Shi.Transportation Research Part C.2012,

[2] Memory properties and fractional integration in transportation time-series [J].

Karlaftis, Matthew G. ;

Vlahogianni, Eleni I. .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 2009, 17 (04) :444-453

[3]

A hybrid-forecasting model based on Gaussian support vector machine and chaotic particle swarm optimization.[J].Qi Wu.Expert Systems With Applications.2009, 3

[4] A tutorial on support vector regression [J].