基于K近鄰與主成分分析的短時交通流預測

李 翠， 黃 侃， 李 霞

(江西交通職業技術學院 信息工程學院， 南昌 330013)

交通流數據為智能交通系統ITS(Intelligent Transportation System)的正常運行提供了數據支撐，其中蘊含的交通時空分布規律對現代交通的科學管理與決策、交通流的基礎理論研究具有重要利用價值[1]。ITS已在世界范圍內廣泛應用，并成為了高速公路和城市道路交通控制的有力工具。為了實現有效的交通控制和交通誘導，需在做出控制(誘導)變量決策的時刻對下一決策時刻乃至以后若干時刻的交通流量做出實時、準確的預測(即短時交通流預測)。短時交通流預測一般不超過15 min的時間跨度[2]。

有關短時交通流預測的算法大致可劃分為3類[3-10]：第一類是基于傳統數理統計模型的算法，也可稱為參數法，主要包括歷史均值法[3]、時間序列法[4]、卡爾曼濾波法[5]等。該類算法模型簡單、編程方便，但受交通流非線性和隨機性的影響，此類算法在較短預測周期下的預測精度較差。第二類是基于人工智能模型的算法，又稱為非參數法，主要包括神經網絡法[6]、非參數回歸法[7]、支持向量機法[8]等。該類算法可充分逼近任意復雜的非線性和隨機性交通流序列，對短時交通流具有較好的預測效果，但存在參數設置困難、收斂速度慢等不足。第三類是基于混合模型的算法，即將前2類算法中的2個或多個預測模型進行組合[9-10]。該類算法依賴于不同模型之間的協調，有利于預測精度的提高，但其參數調整依然是個難題。

K近鄰(K-nearest neighbors，KNN)是一種常用的非參數回歸方法，KNN法完全由數據驅動而無需假設數據的分布模式，原理簡單且易于擴展[11-12]。……