基于K近邻非参数回归短时交通流预测模型探究摘要：本文主要是对K近邻非参数的回归方法进行短时交通流量的预测，分析模型中相关的重要因素，给预测效果带来的影响。本文将会对不同状态的向量和预测算法等相关的试验算法进行比较，将每四个相连时间的间隔流量，以及占用率等数据当做状态向量，通过具有权重的预测算法来获得更好的结果。关键词：K近邻；非参数回归；短时交通流预测；预测区间中图分类号：TP311文献标识码：A文章编号:1007-9416(2017)04-0130-03对于短时交通流进行预测是建立智能交通体系的重要内容。交通预测越准确、越及时，就会对交通的控制就越有利，对于一些交通问题也能及时的进行服务。而K近邻是属于参数回归中使用最多的方法，本文将会对K近邻方法进行模拟使用，对城市道路的短时交通情况进行预测分析。1K临近预测的模型建立K近邻在短时交通流中进行预测的模型流程是：首先,要建立一个具有历史代表性的大容量数据库；其次，对模型相关的要素进行设置，主要包含距离度量的方式、预测算法、状态向量、K近邻的个数等内容，其中局力度量的方式、K近邻的个数和状态向量之间可以构成模型的搜索模块；最后，根据搜索机制和目前观测值的输入，在历史的数据库中，找出与观测数据相对应的近邻，然后通过预测算法得出下一个时间内的交通流速度。想要提高预测的精确度，首次要对一下四个方面进行分析:1.1距离度量的方式距离度量方式主要是指历史数据库中每个样本数据和目前的数据之间的近似度，主要使用欧式距离来进行度量指标的计算：该式中表示目前的数据和历史数据库中处于第i组数据之间的距离；表示在目前的数据中，处于第j项的权重；表示处于第j个子项的数值；表示处于i历史数据中第j项的数值。1.2状态向量状态向量是目前数据和历史数据相比较的标准，它是根据预测对象来选择对应因素，以此来对预测精度与运行时间之间的需求进行平衡的。1.3近邻个数K近邻个数是指在历史数据库中提取与目前数据类似的数据组数。对K值的选择直接关系到样本数据，1＜值的大小都会对预测精度具有一定的影响。1.4预测算法预测算法主要是通过获取的KOM近邻预测结果，对下一时间的交通流情况进行预测，相关的计算公式是：该式中，表示的是在m路段的t+1时间里，行车的平均速度；表示目前的数据和第k个近邻之间的距离；表示的是在历史数据中获得第k个近邻相对应的t+1时段的行车平均速度。2改进K临近的模型本文模拟的某个时空参数模型进行改善，主要表现在一下两个方面首先是在进行状态向量设置时，充分的考虑了空间和时间两个纬度；其次，使用具有权重的距离度量方法,通过不同的分量对预测时间内的交通情况之间差异进行分析。2.1时空参数中的状态向量处于城市中道路，没有一个是独立存在的。不管是在上游还是在下游路段出现交通拥堵，都会直接影响到整个路段的交融情况。从理论上进行分析，将空间和时间纬度进行结合分析，可以提高K近邻模型相关的预测精度。所以，本文根据这理论对K近邻时空参数模型进行改善，相关的预测机理可以见图1和图2O根据图1和图2进行分析，先假设目标路段是m,预测时间是t+1.那么从时间维度分析，在m路段的t+1时段中，平均车速和前n+1个时间里的平均车速(tX(t-1X……(t-n)之间是密切相关的。从空间纬度的角度来说，和上下路段中t时间内的平均车速、之间也存在着关系。因此可以通过这两个因素预测出，其他的路段情况以此类推。只考虑时间纬度方面的状态向量，和将时间维度与空间纬度之间的状态向量进行结合分析，还是后者更能提高预测的精确度，因为后者的方法能够获得更高质量的与当前数据类似的近邻。2.2模拟的时间维度时间维度上的模型：在m路段上，t+1时间内的平均车速,只进行该路段的历史时间车速。以此模型形成的状态向量:((t),(t-1),(t),(t-1)),其中(t),(t-1)是历史数据中前一路段与目标路段中车辆运行的速度。时空参数的模型。这个模型是将时间维度和空间维度进行一同分析的，它所获得数据是更加接近实时的数据。根据这个预测模型进行状态向量的建设:((t),(t-1),(t)s(t),(t),(t-1),、b2.3权重距离的度量方式因为交通路段的情况变化性比较强，在同一路段中也会出...