典型文献
基于自适应时序剖分与KNN的短时交通流量预测
文献摘要：
在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提.由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题.为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN(A-TS-KNN)的短时交通流量预测算法.①基于动态时间规整(Dynamic Time Warp-ing,DTW)动态剖分单 日时序为不同 的交通模式;②在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④采用K个最相似的近邻的距离倒数加权值作为预测结果.对比K近邻(K-nearest neighbors,KNN)、支持向量回归(Support vector regression,SVR)、长短期记忆神经网络(Long-short term memory neural network,LSTM)以及门控递归单元神经网络(Gate recurrent unit neuralnetwork,GRU)共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力.
文献关键词：
短时交通流量预测;DTW;KNN;自适应时序剖分;互信息法;交叉验证;自适应时间延迟与K值
中图分类号：
作者姓名：
祁朵;毛政元
作者机构：
福州大学数字中国研究院(福建),福州350108;福州大学空间数据挖掘与信息共享教育部重点实验室,福州350108
文献出处：
引用格式：
[1]祁朵;毛政元-.基于自适应时序剖分与KNN的短时交通流量预测)[J].地球信息科学学报,2022(02):339-351
A类：
自适应时序剖分,距离倒数加权,neuralnetwork
B类：
KNN,短时交通流量预测,智能交通系统,交通诱导,管理和控制,时变性,非平稳性,交通领域,TS,预测算法,动态时间规整,Dynamic,Time,Warp,ing,DTW,交通模式,互信息法,时间延迟,状态向量,成交,历史数据库,十次,十折交叉验证,正交误差,交结,数组,近邻,权值,nearest,neighbors,支持向量回归,Support,vector,regression,SVR,长短期记忆神经网络,Long,short,term,memory,门控递归单元,元神,Gate,recurrent,unit,GRU,算法预测,福州市,城市路网,交叉路口,泛化能力
AB值：
0.286841
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
