基于K近邻算法和支持向量回归组合的短时交通流预测

• 作者: 刘钊 杜威 柴干 郭建华 闫冬梅
• 来源期刊: 公路交通科技
• 学科: 交通运输
• 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
• 年，卷（期）: 2017,（5）
• 所属期刊栏目: 智能交通系统与交通工程
• 页码范围: 122-128,158
• 页数: 8页
• 分类号: U491.1+12
• 字数: 5370字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-0268.2017.05.017

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘钊	东南大学智能运输系统研究中心	147	2393	29.0	43.0
2	柴干	东南大学智能运输系统研究中心	63	709	16.0	23.0
3	郭建华	东南大学智能运输系统研究中心	32	257	8.0	15.0
4	闫冬梅	东南大学智能运输系统研究中心	4	47	2.0	4.0
5	杜威	东南大学智能运输系统研究中心	5	70	5.0	5.0