基于KNN-SVR的交通流预测方法

基于knn-svr的交通流预测方法
技术领域
1.本发明涉及一种基于knn-svr的交通流预测方法。


背景技术：

2.新时代，随着汽车工业技术的发展，全球车辆保有量的突破2.6亿辆，大量的汽车驶入道路，提升出行舒适感的同时，给交通带来了拥堵问题，增加了出行的时间成本，智能交通分析控制系统的建立，可以提供较为准确的交通流预测，为驾驶者出行路线选择提供了更完善、及时的信息，在一定程度上提高人们出行的效率，提升了提高了出行人的出行的舒适感。
3.在已有的道路交通流预测方法中，因为交通的出行有强烈的时间规律性，所以对交通流预测的时序性关注较多，在空间的关联性上考虑有所欠缺。


技术实现要素：

4.本发明的目的在于提供一种基于knn-svr的交通流预测方法。
5.为解决上述问题，本发明提供一种基于knn-svr的交通流预测方法，包括：
6.步骤1：将待测路段与其上游、下游路段的历史数据进行预处理，以形成状态向量，将所述特征向量组成历史数据集；
7.步骤2：利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量相近的k个历史状态向量；
8.步骤3：将搜索到的的k个历史状态向量和待测路段的当前时刻t的状态向量组成训练集，利用所述训练集对支持向量回归模型进行训练，以确定构建支持向量机回归模型中的惩罚函数c和核函数δ，并构建用于交通流预测的支持向量机回归模型；
9.步骤4：利用所述用于交通流预测的支持向量回归预测模型对待测路段t 1时刻进行交通流预测。
10.进一步的，在上述方法中，步骤1中，待测路段与其上游、下游路段的历史数据的采集时间为7天，数据采集的时间间隔为5分钟，历史数据集共有2016个状态向量。
11.进一步的，在上述方法中，步骤1中，状态向量q＝[q(t),q(t-1),qa(t),qa(t-1)]；
[0012]
式中，q(t)表示目标路段在t时刻的交通流量；qa(t)表示目标路段上游在t时刻的交通流量；qa(t)表示目标断面上游在t时刻的交通流量；qa(t-1)表示目标断面在t-1时刻的交通流量。
[0013]
进一步的，在上述方法中，步骤2中，k近邻匹配算法中的k采用十折交叉验证法来确定效果最好的最优值，其中，
[0014]
采用k个测试数据集的平均绝对误差百分比的均值石来确定最优值，所对应的值即为最优值。
[0015]
进一步的，在上述方法中，步骤2中，利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量距离相近的状态向量，度量方式采用欧式距离作为度量
指标，
[0016][0017]
式中，di为待测路段的当前时刻t的状态向量与历史数据集中状态向量的距离，n为状态向量的个数。
[0018]
进一步的，在上述方法中，步骤3中，所述的用于交通流预测的支持向量机回归模型如下：
[0019][0020]
其中，αi,为拉格朗日乘数算子，x为输入变量，i＝1，2
……
n，k为核函数，采用高斯核函数，
[0021]
进一步的，在上述方法中，步骤4中，利用k个历史状态向量和当前时刻t的状态向量组成训练集，代入所述用于交通流预测的支持向量机回归模型中，对所述用于交通流预测的支持向量机回归模型进行训练；利用训练后的用于交通流预测的支持支持向量机回归模型对t 1时刻的待测路段交通流量进行预测。
[0022]
与现有技术相比，本发明包括：将待测路段与其上游、下游路段的历史数据进行预处理，以形成状态向量，将所述特征向量组成历史数据集；利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量相近的k个历史状态向量；将搜索到的的k个历史状态向量和待测路段的当前时刻t的状态向量组成训练集，利用所述训练集对支持向量回归模型进行训练，以确定构建支持向量机回归模型中的惩罚函数c和核函数δ，并构建用于交通流预测的支持向量机回归模型；利用所述用于交通流预测的支持向量回归预测模型对待测路段t 1时刻进行交通流预测。本发明利用空间的关联性和时间的历史规律性，通过智能算法的组合搭配，实现了对交通流预测，提高了预测的准确性。本发明在充分考虑了时间规律的基础上，增加了上游流量数据，更准确的预测交通流量。
附图说明
[0023]
图1是本发明一实施例的基于knn-svr的交通流预测方法的流程图；
[0024]
图2是本发明一实施例的支持向量回归模型的预测流程图。
具体实施方式
[0025]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0026]
如图1和2所示，本发明提供一种基于knn-svr的交通流预测方法，包括：
[0027]
步骤1：将待测路段与其上游、下游路段的历史数据进行预处理，以形成状态向量，将所述特征向量组成历史数据集；
[0028]
步骤2：利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量相近的k个历史状态向量；
[0029]
步骤3：将搜索到的的k个历史状态向量和待测路段的当前时刻t的状态向量组成训练集，利用所述训练集对支持向量回归模型进行训练，以确定构建支持向量机回归模型中的惩罚函数c和核函数δ，并构建用于交通流预测的支持向量机回归模型。
[0030]
步骤4：利用所述用于交通流预测的支持向量回归预测模型对待测路段t 1时刻进行交通流预测。
[0031]
具体地，在步骤1中，采集的位置是待测路段的断面预期上游路段的断面；采集方式是通过预先设置的线圈采集流量数据；采集时间为7天，数据采集的时间间隔为5分钟，历史数据集故共有2016个状态向量。
[0032]
具体地，在步骤1中，状态向量q＝[q(t),q(t-1),qa(t),qa(t-1)]；式中，q(t)表示目标路段在t时刻的交通流量；qa(t)表示目标路段上游在t时刻的交通流量；qa(t)表示目标断面上游在t时刻的交通流量；qa(t-1)表示目标断面在t-1时刻的交通流量。
[0033]
具体地，在步骤2中，k近邻匹配算法中的k采用十折交叉验证法来确定效果最好的最优值，采用k个测试数据集的平均绝对误差百分比的均值来确定最优值，所对应的值即为最优值。
[0034]
具体地，在步骤2中，
[0035]
利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量距离相近的状态向量，度量方式采用欧式距离作为度量指标，
[0036][0037]
式中，di为待测路段的当前时刻t的状态向量与历史数据集中状态向量的距离，n为状态向量的个数。
[0038]
具体的，在步骤3中，所述的用于交通流预测的支持向量机回归模型如下：
[0039][0040]
其中，αi,为拉格朗日乘数算子，x为输入变量，i＝1，2
……
n，k为核函数，采用高斯核函数，
[0041]
具体的，在步骤4中，利用k个历史状态向量和当前时刻t的状态向量组成训练集，代入所述用于交通流预测的支持向量机回归模型中，对所述用于交通流预测的支持向量机回归模型进行训练；利用训练后的用于交通流预测的支持支持向量机回归模型对t 1时刻的待测路段交通流量进行预测。
[0042]
本发明包括：将待测路段与其上游、下游路段的历史数据进行预处理，以形成状态向量，将所述特征向量组成历史数据集；利用k近邻匹配算法，在历史数据集中搜索与待测路段的当前时刻t的状态向量相近的k个历史状态向量；将搜索到的的k个历史状态向量和
待测路段的当前时刻t的状态向量组成训练集，利用所述训练集对支持向量回归模型进行训练，以确定构建支持向量机回归模型中的惩罚函数c和核函数δ，并构建用于交通流预测的支持向量机回归模型；利用所述用于交通流预测的支持向量回归预测模型对待测路段t 1时刻进行交通流预测。本发明利用空间的关联性和时间的历史规律性，通过智能算法的组合搭配，实现了对交通流预测，提高了预测的准确性。本发明在充分考虑了时间规律的基础上，增加了上游流量数据，更准确的预测交通流量。
[0043]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0044]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0045]
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。