文献类型：期刊文章

作　　者：刘钊[1] 杜威[1] 闫冬梅[1] 柴干[1] 郭建华[1]

机构地区：[1]东南大学智能运输系统研究中心,南京210096

出　　处：《公路交通科技》

基　　金：国家自然科学基金项目(61573106);江苏省普通高校研究生科研创新计划项目(KYLX_0168)

年　　份：2017

卷　　号：34

期　　号：5

起止页码：122-128

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、IC、JST、RCCSE、SCOPUS、核心刊

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。

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

分 类 号：U491.112[物流管理与工程类]