基于聚类分析非参数回归短时交通流预测方法.pdfVIP

基于聚类分析的非参数回归短时交通流预测方法——刘 洋 马寿峰 27 基于聚类分析的非参数回归短时交通流预测方法* 刘 洋 马寿峰 (天津大学管理与经济学部 天津300072) 摘 要大部分非参数回归预测算法并不对交通流历史数据进行区分，而是将全部历史流量数据建 立模式库进行分析。基于交通流的现实特征，提出基于聚类分折的非参数回归短时交通流预测方法， 首先根据流量分布特点运用聚类分析将其分类成不同的流量模式，然后选择匹配待预测时刻的流量 模式作为样本数据库运用非参数回归进行预测。实例计算结果表明，其预测精度优于传统非参数回 归方法。 关键词短时交通流预测；聚类分析；非参数回归 中图分类号：U491 文献标志码：A doi：10．3963／i．issn1674—4861，2013．02，007 库中寻找与当前状态相似的历史状态，并把与当 O 引 言 前点匹配的历史状态应用于状态预测，具有可移植 智能交通系统近年发展迅猛，交通控制和诱 性强和预测精度高等特点，适应短时交通流预测。 导成为当今社会交通领域的一大课题，解决这一 1995年Smithcto第1次将其应用在短时交通流预 问题的前提是采用精度高、时效性强的方法对交 测上，这之后很多学者提出了改进方法，王晓原[1妇 通流进行准确预测。现存的预测方法大致可分为 将小波分析算法和非参数回归结合，先将交通流数 2类：第1类是传统的基于数理统计模型的预测 据分解重构得到光滑的交通信号曲线，提升了非参 方法，如ARIMA模型[1。2j、自适应权重联合模 23针对提高搜索速度和 数回归的预测效果。贾宁u 型[2]、卡尔曼滤波模型[11等，这些预测方法基于数 关键参数的优化设置2个问题，提出使用KD树作 理统计模型，计算简便，但是由于交通流的随机性 为模式库的存储结构，能够有效提高搜索速度，使 与非线性，实际情况下，很难建立精确且符合交通 预测性能进一步提高，这些预测方法在一定程度上 流特征的数学模型，尤其无法克服随机干扰因素 满足了交通流预测的需要。 的影响。近年来，交通流预测开始逐渐依赖于第 从预测原理上讲，非参数回归预测就是通过 2类智能交通流预测方法，如神经网络方法[34、 模式匹配的方法，利用交通流的当前状态(自变 支持向量机方法[5]、非参数回归方法[6。71等。神经 量)来估计交通流参数的未来值(因变量)，因此自 网络具有自学习自适应等优点，炱天鹂[8]针对传 变量的选取是非参数固归预测方法应用中1个十 统预测方法准确性低、预测时间长等问题将遗传 分重要的问题[7]。在交通流预测中，一般有2种 算法和神经网络相结合，提高了交通量的预测精 代表性思路。 度，张敬磊[91提出的1种基于RBF和ARIMA网1)时间关联。例如，利用待预测位置前推若 络非线性组合模型的短时交通流预测方法组合发 于个周期的交通流量来预测未来的交通流量，这 挥了2种方法的预测优势。非参数回归是近几年 种选取方法的依据是交通流变化趋势的重复性。 兴起的1种适合不确定性的、非线性的动态系统 2)空问关联。例如，该位置上游某点的当前 的建模方法，其基本思想是：从交通流数据中寻找 流量，来预测该位置的未来流量，这种思路的依据 不同的“模式”、即交通流的当前状态和未来状态