一种基于改进DTW-KNN的短时交通流预测方法技术

本发明专利技术公开了一种基于改进DTW‑KNN的短时交通流预测方法。所述方法包括：首先创建基于改进DTW‑KNN的短时交通流预测模型，包括使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次，通过动态时间规整距离筛选待预测向量的最近邻；最后，依据短时交通流量的时间连续性进行预测。本发明专利技术深入挖掘交通流数据的随机性与不确定性，充分考虑短时交通流数据中的线性和非线性特征，有效提高了预测精度。

【技术实现步骤摘要】
一种基于改进DTW-KNN的短时交通流预测方法
本专利技术涉及智能交通领域，特别是一种基于改进DTW-KNN的短时交通流预测方法。
技术介绍
现如今，人们进入了交通大数据时代，随着车辆数目的急剧增多，诸如交通拥堵等诸多问题随之而来，致使人们在行车途中浪费很多时间，智能交通控制系统旨在利用短时交通流预测的结果，为出行者选择的路径进行规划，在一定程度上缓解交通拥堵问题的出现，在减少资源浪费的同时提高人们出行的效率。短时交通流预测是针对不久将来的交通流进行预测，时间间隔在几分钟到十几分钟不等。目前，针对短时交通流预测这个热门问题，出现多种解决方法，包括历史平均法、卡尔曼滤波法和机器学习方法，这些预测方法可分为参数和非参数方法两大类。机器学习由于良好的学习能力，成为短时交通流常用的预测方法之一，其中就包括K近邻(K-NearestNeighbor,KNN)算法。刘钊等人(刘钊,杜威,闫冬梅,等.基于K近邻算法和支持向量回归组合的短时交通流预测[J].公路交通科技,2017(5).)将K近邻算法与支持向量机结合，利用K近邻的搜索机制和支持向量回归原理进行预测，提高了预测的精度。雷斌等人(雷斌,温乐,耿浩,李建明.基于加权组合模型的短时交通流预测研究[J].测控技术,2018,37(05):37-41.)使用交叉口的相关系数加权的欧式距离选择近邻，并提出了一种改进的K近邻非参数回归预测方法和小波神经网络加权组合的短时交通流预测模型，提高了收敛速度和预测准确度。研究表明，近邻模型具有算法简单、移植性好等优势，可通过对历史数据的学习，找出短时交通流数据的规律并进行预测。然而，在大多数非参数回归的短时交通流预测模型中，均使用欧式距离作为相似度的度量准则，然而，欧式距离是按照时间序列的先后顺序进行点对点的计算，不但不能充分考虑时间序列在时间轴上的变换，而且容易受到突变值的影响，降低搜索到的K个近邻的质量。此外，预测函数大多是根据欧式距离的大小加权求和，并未考虑短时交通流的时间特性。因此，研究出一种基于改进KNN算法的短时交通流预测模型具有现实意义。
技术实现思路
本专利技术的目的是，提供了一种改进DTW-KNN的短时交通流预测方法，该方法是一种考虑时间相关性的短时交通流预测方法。为实现上述目的，本专利技术提供如下技术方案：一种基于改进DTW-KNN的短时交通流预测方法，其特征在于，该方法首先使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次通过动态时间弯曲距离筛选待预测状态向量的K个最近邻；最后，依据短时交通流量的时间连续性进行预测，即待预测状态向量中t+1时段的交通流流量为待预测状态向量中t时段的交通流流量与对应的K个最近邻历史状态向量中t+1时段和t时段的流量差进行加权平均后的和。该方法的具体步骤是：步骤1，提取交通流历史数据，某路段全天交通流量的数据共M组，使用MIV算法筛选出与t+1时段相关性最强的前a个时段并创建历史状态向量Qv，构建交通流历史数据库Q，Q中共M-a+1组历史状态向量；步骤2，基于步骤1确定的前a个时段的历史状态向量的结构，对于待预测的交通流流量数据，使用待预测时段前a个时段的交通流流量构成预测状态向量Su，创建待预测状态向量集S，S中共s组预测状态向量；步骤3，分别计算每一预测状态向量与全部历史状态向量的动态时间弯曲(DTW)距离，并根据DTW距离从小到大对全部历史状态向量进行排序，选取距离最小的K个DTW距离对应的历史状态向量作为该预测状态向量的K个最佳状态向量，K个最佳状态向量构成最优输入样本集；步骤4，确定每一预测状态向量对应的最佳状态向量的DTW距离，根据1≤i≤K，计算出每个最佳状态向量的权值ωi，进而确定该预测状态向量下每一历史状态向量对应的权重系数；待预测的t+1时段交通流流量与t时段交通流流量正相关，待预测的t+1时段交通流流量按照进行预测，式中，qu(t+1)表示待预测t+1时段的交通流流量，qu(t)表示待预测t+1时段的交通流流量，qi(t)表示第i个近邻t时段的交通流流量，qi(t+1)表示第i个近邻t+1时段的交通流流量。K的取值设置为100～150。与现有技术相比，本专利技术具有以下有益效果：本专利技术基于改进DTW-KNN的短时交通流预测框架，针对欧式距离将两个时间序列点一对一匹配进行计算时，由于未能考虑时间序列在时间轴上的变换以及容易受到突变数据的影响，将DTW距离应用于交通流领域中，对两个时间序列进行相似度判断，DTW恰好可以降低这些问题对预测结果的影响，同时，根据K个近邻进行短时交通流预测时，大多使用的是加权平均，而本专利技术使用的预测算法依据的是短时交通流的时间连续性(利用DTW距离获得权重系数，K个最近邻进行修正)。实验结果表明，基于改进的DTW-KNN预测方法的MAPE＝1.70％，RMSE＝7.6，相较于传统的KNN方法和DTW-KNN方法，系统预测的准确率有了很大的提高。附图说明图1为本专利技术基于改进DTW-KNN短时交通流预测方法的流程图；图2为近邻K值对预测误差(平均绝对百分比误差、均方根误差)的影响图；图3为本专利技术的预测结果与真实数据的对比图(K取125)；图4为采用KNN算法预测结果与真实数据的对比图(K取125)；具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述，但本专利技术的实施不限于此。本专利技术一种基于改进DTW-KNN的短时交通流预测方法，基于数据搜索算法开发，首先在非预测时间段内，根据动态时间弯曲距离，从历史数据库中寻找与预测向量最相似的前k个历史状态向量作为用于预测的最佳状态向量，最后根据这些最佳状态向量依据交通流时间序列的连续性进行预测，包括以下步骤：步骤1，提取交通流历史数据，某路段全天交通流量的数据共M组，使用MIV算法筛选出与t+1时段相关性最强的前a个时段并创建历史状态向量Qv，构建交通流历史数据库Q，Q中共M-a+1组历史状态向量；步骤2，基于步骤1确定的前a个时段的历史状态向量的结构，对于待预测的交通流流量数据，使用待预测时段前a个时段的交通流流量构成预测状态向量Su，创建待预测状态向量集S，S中共s组预测状态向量；步骤3，分别计算每一预测状态向量与全部历史状态向量的动态时间弯曲(DTW)距离，并根据DTW距离从小到大对全部历史状态向量进行排序，选取距离最小的K个DTW距离对应的历史状态向量作为该预测状态向量的K个最佳状态向量，K个最佳状态向量构成最优输入样本集；步骤4，待预测状态向量中t+1时段的交通流流量为待预测状态向量中t时段的交通流流量与对应的K个最佳状态向量中t+1时段和t时段的流量差进行加权平均后的和，权重系数使用K个最近邻获得。步骤1中利用交通流历史数据构建交通流历史数据库的方法：步骤11，利用采集到的交通流量的数据构建历史数据库，对于某路段全天交通流量的数据，每隔5分钟测量一次即T本文档来自技高网...

【技术保护点】
1.一种基于改进DTW-KNN的短时交通流预测方法，其特征在于，该方法首先使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次通过动态时间弯曲距离筛选待预测状态向量的K个最近邻；最后，依据短时交通流量的时间连续性进行预测，即待预测状态向量中t+1时段的交通流流量为待预测状态向量中t时段的交通流流量与对应的K个最近邻历史状态向量中t+1时段和t时段的流量差进行加权平均后的和。/n

【技术特征摘要】
1.一种基于改进DTW-KNN的短时交通流预测方法，其特征在于，该方法首先使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次通过动态时间弯曲距离筛选待预测状态向量的K个最近邻；最后，依据短时交通流量的时间连续性进行预测，即待预测状态向量中t+1时段的交通流流量为待预测状态向量中t时段的交通流流量与对应的K个最近邻历史状态向量中t+1时段和t时段的流量差进行加权平均后的和。


2.根据权利要求1所述预测方法，其特征在于，该方法的具体步骤是：
步骤1，提取交通流历史数据，某路段全天交通流量的数据共M组，使用MIV算法筛选出与t+1时段相关性最强的前a个时段并创建历史状态向量Qv，构建交通流历史数据库Q，Q中共M-a+1组历史状态向量；
步骤2，基于步骤1确定的前a个时段的历史状态向量的结构，对于待预测的交通流流量数据，使用待预测时段前a个时段的交通流流量构成预测状态向量Su，创建待预测状态向量集S，S中共s组预测状态向量；
步骤3，分别计算每一预测状态向量与全部历史状态向量的动态时间弯曲(DTW)距离，并根据DTW距离从小到大对全部历史状态向量进行排序，选取距离最小的K个DTW距离对应的历史状态向量作为该预测状态向量的K个最佳状态向量，K个最佳状态向量构成最优输入样本集；
步骤4，确定每一预测状态向量对应的最佳状态向量的DTW距离，根据1≤i≤K，计算出每个最佳状态向量...

【专利技术属性】
技术研发人员：梁秀霞，杨凡，李万通，庞荣荣，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12