欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018115034757
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于数据驱动的k邻近非参数回归的交通流预测方法,其特征在于,基于两步数据搜索方法开发,首先在非预测时间段内,从历史数据库中寻找和识别候选输入数据去与当前状态近似,然后在预测点处从候选输入数据中识别用于预测的最佳决策输入数据,最后利用最佳决策输入数据通过预测方法生成预测;包括以下步骤:步骤1,利用交通数据建立历史数据库,获取历史数据;

利用交通数据建立历史交通流数据库的方法:步骤11,利用采集到的交通流量数据建立历史数据库,对于一年内某测量路段全天24小时的所有车流量数据,假设每个流量数据的测量时长为T,t代表当前时刻,q(t)表示时段[t‑T,t]内的交通流量;假设N个连续交通流量数据xc(t)=[q(t‑(N‑1)T),...,q(t‑nT),...,q(t‑T),q(t)]表示当前状态向量,其中n=0,1,2,...,N‑1;

步骤12,从历史数据库中随机选取M个与当前状态向量xc(t)等维度的历史状态向量xj(τ)=[q(τ‑(N‑1)T),...,q(τ‑nT),...,q(τ‑T),q(τ)]作为样本,其中j=0,1,2,...,M‑1,τ为某个历史时间观测点,τ<t;从这M个样本中寻找和识别出与当前状态近似的状态,计算xc(t)和xj(τ)之间的欧式距离 得到M个值,分别记为u0,u1,...,uj,...,uM‑2,uM‑1,取这M个欧氏距离值的平均值,记为步骤2,通过机器学习中的K近邻方法,利用相似性比较从历史数据库中寻找和识别候选输入数据,然后再从候选输入数据中识别用于预测的最佳决策输入数据;

利用相似性比较从历史数据库中寻找和识别候选输入数据的方法:首先将上述M个欧式距离值与 比较,取出小于均值 的Y个样本,Y<M,将这些样本作为候选输入数据集kp‑NN;

从候选输入数据中识别用于预测的最佳决策输入数据的方法:在候选输入数据集中再次计算当前状态向量xc(t)与Y个样本间的欧式距离,得到Y个欧氏距离值,计算这Y个值的平均值,比较Y个值与此平均值的大小,取欧氏距离值小于均值的Z个样本,由这Z个样本值构建最佳决策输入数据集ko‑NN;

构建候选输入数据集kp‑NN的方法:步骤201,遍历历史时间段数据库里的xj(τ),其中j=0,1,2,...,M‑1,转步骤202;

步骤202,根据公式 计算当前状态向量xc(t)与M个样本间的欧式距离,得到M个值,依次表示为u0,u1,...,uj,...,uM‑2,uM‑1,为M个欧氏距离值的平均值,如果 其中X=0,1,...,j,...,M‑2,M‑1,转步骤203,否则转步骤201;

步骤203,取出值小于均值 的Y个样本,Y<M,将这些样本作为候选输入数据集kp‑NN;确定ko‑NN数据集,并且预测q(t+T)的方法:步骤211:遍历kp‑NN数据集中Y个样本的 转步骤212;

步骤212:在kp‑NN数据集中根据公式 计算当前状态向量xc(t)与Y个样本间的欧式距离,得到Y个欧氏距离值,计算这Y个值的平均值 比较Y个值与平均值 的大小,转步骤213;

步骤213:如果 其中X1=0,1,...,j,...,Y‑2,Y‑1,取出欧氏距离值小于均值 的Z(Z<Y)个样本,由这Z个样本值构建最佳决策输入数据集ko‑NN转步骤214,否则转步骤211;

步骤214:根据数据集ko‑NN,通过公式 预测q(t+T);

步骤3,基于识别的最佳决策数据,使用预测方法FF进行预测。

2.根据权利要求1所述基于数据驱动的k邻近非参数回归的交通流预测方法,其特征在于:由步骤2中候选输入数据集kp‑NN,最佳决策输入数据集ko‑NN构建预测需要的KNN神经网络信息。

3.根据权利要求2所述基于数据驱动的k邻近非参数回归的交通流预测方法,其特征在于:基于选择的最佳决策输入数据集ko‑NN,使用预测方法FF进行预测。

4.根据权利要求3所述基于数据驱动的k邻近非参数回归的交通流预测方法,其特征在于:使用预测方法FF进行预测时,通过公式 预测未来时刻段[t,(t+T)]内的交通流量q(t+T)。