[發明專利]一種基于改進DTW-KNN的短時交通流預測方法

有效

• 申請號: 202010575303.1
• 申請日: 2020-06-22
• 公開（公告）號: CN111667694B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 梁秀霞;楊凡;李萬通;龐榮榮
• 申請（專利權）人: 河北工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06K9/62;G06Q10/04;G06Q50/30
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

本發明公開了一種基于改進DTW?KNN的短時交通流預測方法。所述方法包括：首先創建基于改進DTW?KNN的短時交通流預測模型，包括使用平均影響值算法確定狀態向量的組成，創建歷史狀態向量和待預測狀態向量；其次，通過動態時間規整距離篩選待預測向量的最近鄰；最后，依據短時交通流量的時間連續性進行預測。本發明深入挖掘交通流數據的隨機性與不確定性，充分考慮短時交通流數據中的線性和非線性特征，有效提高了預測精度。

技術領域

本發明涉及智能交通領域，特別是一種基于改進DTW-KNN的短時交通流預測方法。

背景技術

現如今，人們進入了交通大數據時代，隨著車輛數目的急劇增多，諸如交通擁堵等諸多問題隨之而來，致使人們在行車途中浪費很多時間，智能交通控制系統旨在利用短時交通流預測的結果，為出行者選擇的路徑進行規劃，在一定程度上緩解交通擁堵問題的出現，在減少資源浪費的同時提高人們出行的效率。

短時交通流預測是針對不久將來的交通流進行預測，時間間隔在幾分鐘到十幾分鐘不等。目前，針對短時交通流預測這個熱門問題，出現多種解決方法，包括歷史平均法、卡爾曼濾波法和機器學習方法，這些預測方法可分為參數和非參數方法兩大類。機器學習由于良好的學習能力，成為短時交通流常用的預測方法之一，其中就包括K近鄰(K-NearestNeighbor,KNN)算法。劉釗等人(劉釗,杜威,閆冬梅,等.基于K近鄰算法和支持向量回歸組合的短時交通流預測[J].公路交通科技,2017(5).)將K近鄰算法與支持向量機結合，利用K近鄰的搜索機制和支持向量回歸原理進行預測，提高了預測的精度。雷斌等人(雷斌,溫樂,耿浩,李建明.基于加權組合模型的短時交通流預測研究[J].測控技術,2018,37(05):37-41.)使用交叉口的相關系數加權的歐式距離選擇近鄰，并提出了一種改進的K近鄰非參數回歸預測方法和小波神經網絡加權組合的短時交通流預測模型，提高了收斂速度和預測準確度。研究表明，近鄰模型具有算法簡單、移植性好等優勢，可通過對歷史數據的學習，找出短時交通流數據的規律并進行預測。

然而，在大多數非參數回歸的短時交通流預測模型中，均使用歐式距離作為相似度的度量準則，然而，歐式距離是按照時間序列的先后順序進行點對點的計算，不但不能充分考慮時間序列在時間軸上的變換，而且容易受到突變值的影響，降低搜索到的K個近鄰的質量。此外，預測函數大多是根據歐式距離的大小加權求和，并未考慮短時交通流的時間特性。

因此，研究出一種基于改進KNN算法的短時交通流預測模型具有現實意義。

發明內容

本發明的目的是，提供了一種改進DTW-KNN的短時交通流預測方法，該方法是一種考慮時間相關性的短時交通流預測方法。

為實現上述目的，本發明提供如下技術方案：

一種基于改進DTW-KNN的短時交通流預測方法，其特征在于，該方法首先使用平均影響值算法確定狀態向量的組成，創建歷史狀態向量和待預測狀態向量；其次通過動態時間彎曲距離篩選待預測狀態向量的K個最近鄰；最后，依據短時交通流量的時間連續性進行預測，即待預測狀態向量中t+1時段的交通流流量為待預測狀態向量中t時段的交通流流量與對應的K個最近鄰歷史狀態向量中t+1時段和t時段的流量差進行加權平均后的和。

該方法的具體步驟是：

步驟1，提取交通流歷史數據，某路段全天交通流量的數據共M組，使用MIV算法篩選出與t+1時段相關性最強的前a個時段并創建歷史狀態向量Qv，構建交通流歷史數據庫Q，Q中共M-a+1組歷史狀態向量；

步驟2，基于步驟1確定的前a個時段的歷史狀態向量的結構，對于待預測的交通流流量數據，使用待預測時段前a個時段的交通流流量構成預測狀態向量Su，創建待預測狀態向量集S，S中共s組預測狀態向量；