非参数回归算法在短时交通流预测中的应用.pdf

《非参数回归算法在短时交通流预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、非参数回归算法在短时交通流预测中的应用梁秀霞，等非参数回归算法在短时交通流预测中的应用ApplicationoftheNonparametricRegressionAlgorithminForecastingofShort—termTrafficFlow磐秀霞稠嘲B绷李伟双(河北工业大学控制科学与工程学院，天津300130)摘要：由于城市道路交通系统中的交通流演变存在随机性和复杂性，且实时交通状态判别本身具有不确定性，故实时、准确的短时交通流预测是交通控制与诱导的一个关键因素。利用非参数同归对短时交通流进行预测是一种较好的预测方法，它能够很好地体现交通流的非线性、时变性和不确

2、定性。为进一步提高预测的准确性，对K近邻的非参数同归方法进行了改进。结果表明，改进模型预报准确率更高，稳定性更好。关键词：短时交通流预测智能交通非参数回归K近邻主成分分析反馈回路中图分类号：T玛Ol+．6文献标志码：AAbstract：Duetotherandoml％sandcomplicityoftheevolutionoftrafficflowinurbanroadtra侬esystem。andtheuncertaintyofreal．timejudgmentoftrafficstatus，thustheprecisereal—timeforecastingofshort

3、—termtrafficflowisthecriticalfactorintrafficcontrolandguide．Byadoptingnonparametricregressiontoforecastshort—termtrafficflow，thenonlinear，timevaryinganduncertainpropertiesofthetra陌cflowCanbewellreflected，SOitisabetterforecastingmethod．Tofurtherenhancetheforecastingaccuracy，theK-nearestneigh

4、bornonparametricregressionmethodisimproved．Theresultindicatesthattheimprovedmodelfeatureshigheraccuracyandbetterstabilityinforecasting．Keywords：Short-termtm岱cflowforecastingIntelligenttransportationnonparametrieregressionK-nearestneighborPrincipalcomponentanalysisFeedbackloop0引言随着社会经济的发展，城市

5、化、汽车化速度加快，交通拥挤、交通事故频发、能源短缺等问题越来越突出⋯。智能交通系统(intelligenttransportationsystem，ITS)被视为解决交通拥堵问题的重要手段¨1。它的广泛应用能够帮助人们理性地选择出行路线，能够更有效地减少环境污染，避免交通拥挤，大大减少了出行时间。道路交通系统是一个有人参与的、时变的、复杂的非线性大系统，其显著特点是具有高度的不确定性p1。如果我们能准确地预测出未来交通状态，就能防止交通阻塞和其他消极因素的影响。为此，本文首先研究了基于K近邻的非参数回归算法。同时，为了进一步提高算法预测的精度，从两方面对原有的算法进行了改进

6、。首先采用主成分分析方法选取状态向量，不仅达到了降维的目的，而且体现了变量之间的综合作用；然后增加闭环回路，使模式匹配过程增加预测误差因修改稿收到日期：201l—04—28。第一作者梁秀霞(1972一)，女，2002年毕业于河北工业大学控制科学与工程专业．获博士学位，教授；主要从事高等过程控制系统及控制装王等方面的设计和研究。《自动化仪表》第33卷第4期2012年4月素，使匹配过程更趋向合理。1算法1．1算法框架为了研究交通流量y的变化规律，通常寻找一种回归表达式Y=／C石)+H，其中菇为相关变量，“为随机误差项H1，但是要找到一个固定的以石)不容易。在非参数估计中，不需要假

7、定这个函数f(石)的形式，也不需要设定参数。非参数估计是一种数据驱动的启发式预测机制，通过搜索历史数据库中与当前观测值相似的数据来预测未来值，它的数学模型是从历史数据中得到的。通常非参数估计可以划分为三部分：历史数据、搜索机制和预测函数”J。首先我们需要足够的历史数据，历史数据越多，越能完整地反应交通状况，越有利于准确地预报。然后通过主成分分析得到的状态向量和距离度量准则，在历史数据库中进行搜索，寻找K个近邻与实时数据进行匹配。最终带入预测函数中，得到下一个时刻的交通流量预测值，同时考虑误差来调节参数。