1.一种基于多层K近邻的交通预测方法,其特征在于,包括以下步骤:S1、在目标区域的每个路段设置1个采样点,实时收集每个采样点的交通流量数据;
S2、根据S1得到的所有采样点的交通流量数据,对不同采样点在不同延迟周期下的时间序列数据进行表征;计算不同延迟周期下采样点间时间序列数据的相关系数,根据相关系数采用K近邻算法选取个近邻;根据选出的个近邻构建当前状态向量和历史状态向量;
S3、计算当前状态向量与历史状态向量间的欧氏距离,根据欧氏距离采用K近邻算法选取个欧式距离近邻数据;
S4、计算任一采样点b在时刻交通流量数据的一阶差分值,并将差分值的正数和负数部分分别归一化;根据一阶差分值归一化结果,计算差分值的累计分布函数在10%~90%范围内按步长10%分别取值时的对应差分值;根据得到的对应差分值定义的振幅变化趋势;计算当前状态向量的一阶差分值和S3得到的个欧式距离近邻数据的一阶差分值,构建当前状态向量和S3得到的个欧式距离近邻数据的振幅变化趋势向量;根据当前状态向量和S3得到的个欧式距离近邻数据的振幅变化趋势向量的欧氏距离,采用K近邻算法最终选取个近邻;
S5、根据S4最终选取的个近邻数据,在历史特征数据库样本中获取这个最终的近邻数据下一时刻的历史状态向量的第一个元素;将选取的个元素从小到大排序后作为支持向量回归算法的输入,利用支持向量回归算法对待预测的采样点a在时刻的交通流量进行预测。
2.如权利要求1所述的基于多层K近邻的交通预测方法,其特征在于,S1中,目标区域内所有采样点的交通流量数据表示为:式中:
—目标区域内采样点的交通流量数据;
—采样点i的交通流量数据;
m—目标区域内采样点的数量;
j—采样时刻;
—采样点i在j时刻的交通流量数据;
—采样时刻的数量。
3.如权利要求2所述的基于多层K近邻的交通预测方法,其特征在于,S2具体包括如下子步骤:S201、根据S1得到的采样点的交通流量数据,将待预测的采样点a在延迟周期下的时间序列数据表示为:式中:
a—待预测的采样点,;
t—当前时刻;
τ—延迟周期;
—时间序列长度;
—待预测的采样点a在时刻的交通流量数据;
—待预测的采样点a在延迟周期下的时间序列数据;
S202、为量化不同延迟周期下采样点间相关性大小,计算和的Pearson相关系数:式中:
b—采样点,可指路网中任一采样点,可与待预测的采样点a相同;
—时间序列数据和的协方差;
—待预测的采样点a在延迟周期为0下的时间序列数据;
—采样点b在延迟周期下的时间序列数据;
、—、的标准差;
—与的相关系数;当时,表示与的相关系数;
S203、以为当前状态向量、为历史状态向量、Pearson相关系数绝对值为当前状态向量与历史状态向量的距离,当和时,为最大延迟周期,采用K近邻算法从历史状态向量中从大到小选取个近邻,,,,,,根据个近邻对应得到不同延迟周期下采样点的集合:式中:
—不同延迟周期下采样点的时间序列数据的集合;
—在所有历史状态向量中,采样点在延迟周期下的时间序列数据,与的相关性为最大第i个,其中;
S204、将当前状态向量和历史状态向量表示为:式中:
—历史特征数据库容量比例,;
—采样点在时刻的交通流量数据;
—历史特征数据库样本数量;
当前状态向量中第一个元素为待预测变量时,当前状态向量和历史状态向量分别表示如下:。
4.如权利要求3所述的基于多层K近邻的交通预测方法,其特征在于,S3具体包括如下操作:计算当前状态向量与历史状态向量之间的欧氏距离,并将得到的所有欧氏距离从小到大排列,选取与当前状态向量之间的欧氏距离最小的个历史状态向量作为欧氏距离近邻数据。
5.如权利要求4所述的基于多层K近邻的交通预测方法,其特征在于,、和取值分别为11、15和13。
6.一种存储程序的计算机可读存储介质,其特征在于,包括:所述程序包括指令,所述指令由计算设备执行时,使得所述计算设备执行如权利要求1至5任一项所述的基于多层K近邻的交通预测方法。
7.一种计算设备,其特征在于,包括:处理器、存储器及程序,其中,所述程序存储在所述存储器中并被配置为所述处理器执行,所述程序包括用于执行如权利要求1至5任一项所述的基于多层K近邻的交通预测方法中的指令。