[發明專利]一種基于改進k最近鄰的大規模路網狀態短時預測方法

在審

• 申請號: 201810874538.3
• 申請日: 2018-08-03
• 公開（公告）號: CN109190797A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 于海洋;季楠;任毅龍;張路;劉帥;劉晨陽
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/30;G08G1/01
• 代理公司: 北京和信華成知識產權代理事務所(普通合伙) 11390
• 代理人: 胡劍輝

本專利公開了一種基于改進k最近鄰的大規模路網狀態短時預測方法，所述方法包括：步驟一：數據預處理；步驟二：數據集劃分；步驟三：最近鄰搜索；步驟四：計算預測狀態；本發明將k最近鄰預測方法的預測范圍從短時交通的單點預測、路段預測，拓展到了路網預測，從宏觀層面為大規模路網的管理與控制提供決策支持；將路網的短時狀態劃分為基準狀態及其趨勢向量兩個部分，在最近鄰搜索時將其分別對待，提高最近鄰搜索的準確性；在計算預測狀態時把基準狀態作為預測狀態基準量，提高了預測的準確性，使得該方法能更好的把握路網交通量的動態變化特性。相比于深度學習方法，對數據數量依賴低，設置參數簡單易標定。

技術領域：

本發明設計交通管理與控制領域。具體是一種基于改進k最近鄰的大規模路網狀態短時預測方法。

背景技術：

隨著我國城市建設的迅猛發展，機動車保有量持續快速增長，城市道路大范圍擁堵問題日益嚴峻，嚴重影響了人們的生產、生活，造成大規模社會效益損失。而如今城市道路建設日趨飽和，如何提高交通路網管理與控制水平成為了緩解擁堵的重中之重。短時路網狀態預測是交通管理與控制中的基礎而關鍵的技術，它為出行者提供暢行路徑的選擇，提高出行效率；為交通管理部門提供有力的前瞻決策支持，提供城市交通管控水平。大規模路網狀態預測更是交通管理部門全局把控城市路網運行狀態的有效手段。

隨著人工智能算法的興起，短時交通預測方法猶如雨后春筍般出現，主要包括參數模型和非參數模型。參數模型主要是時間序列模型，這一類模型構造簡單，但是基于統計學假設，不能有效應對復雜多變的交通流復雜性、隨機性和動態性，存在滯后現象。非參數模型主要包括k則最近鄰、支持向量機、人工神經網絡等算法，但是這些方法常常局限于道路的單點預測或者路段預測，不能實現大規模路網狀態的預測，或者用于路網預測時存在效率低下、預測精度不盡人意等問題。在非參數模型中，還有一類新興的深度學習模型，能夠在短時路網狀態預測取得不錯的效果，成為當下炙手可熱預測模型。但是這一類模型復雜度高、對數據質量和數量要求高、對訓練時的經驗要求高。當不滿足上述要求時極易造成模型訓練、使用困難，需要高性能計算設備作為載體，或者模型因為欠擬合或者過擬合導致預測精度不盡人意。

發明內容：

本發明為了克服現有模型的不足，提出了一種基于改進k最近鄰的大規模路網狀態短時預測方法。該方法基于簡單機器學習方法k則最近鄰(k-nearest neighbors，KNN)，其基本思路是給定當前的路網狀態，根據一定的距離度量方式在歷史數據集中找出最相似k個歷史狀態，將這k個歷史狀態的生成狀態作為所預測當前狀態的生成狀態。本專利提出的改進KNN模型使其在數據計算結構、距離度量方式、預測狀態生成均適用于短時路網狀態預測。其優點是模型構造簡單，同時能夠很好的把握路網變化的動態趨勢，例如能夠更好的預測有演唱會或球賽等大規模聚集人流的體育場周邊路網短時狀態變化。

為了實現上述目的，本發明提供的技術方案如下：

一種基于k則最近鄰的大規模路網狀態預測方法，所述方法包括數據預處理、歷史數據集劃分、最近鄰搜索、生成預測狀態以及預測方法評價和參數標定共5個步驟，具體如下步驟：

步驟一：數據預處理。檢測器工況不穩定、產生噪聲是數據采集中難以克服的障礙，使用數據預處理方法可以改善原始數據質量。

首先，刪除錯誤數據，對于缺失數據利用線性插值法進行填補。刪除錯誤數據依據公式(1)，對于不在該范圍內的數據視為錯誤數據予以刪除：

0≤u_l(t)≤u_max (1)

其中，u_l(t)指在t時刻路網中的第l個路段觀測到的浮動車速度值；u_max為最大速度閾值，可以根據道路環境或者實際限速情況確定。缺失數據的線性插值法填補如公式(2)、(3)所示：