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