[发明专利]一种基于KNN算法的预测短时交通流的方法和电子设备

权利要求书

1.一种基于KNN算法的预测短时交通流的方法，其特征在于，步骤如下：

(1)提取历史交通流数据后根据其构建多组历史数据状态向量；

(2)实时采集交通流数据基于该数据构建预测状态向量；

(3)计算欧氏距离后，选取数值最小的k个欧氏距离并赋予每个选取的欧氏距离权重系数；

(4)根据权重系数及与其对应的欧氏距离匹配的历史数据状态向量中的交通流数据求得预测目标值；

所述赋予每个选取的欧氏距离是指按照如下公式针对欧氏距离d_i计算权重系数α_i：

其中，d_i为第i个欧氏距离，i＝1,2……k。

2.根据权利要求1所述的一种基于KNN算法的预测短时交通流的方法，其特征在于，所述历史数据状态向量由连续的n个历史交通流数据组成，其中历史数据状态向量X_z的公式如下：

其中，z为历史数据状态向量的编号，z＝1,2,3…。

3.根据权利要求2所述的一种基于KNN算法的预测短时交通流的方法，其特征在于，基于采集的交通流数据构建预测状态向量的具体方法为选取下一时刻即预测目标前的连续n-1个已采集的交通流数据与预测目标值v_f组成预测状态向量X_f，其公式如下：

X_f＝{v_b1,v_b2…v_bn-1,v_f}；

其中，v_bn-1为当前时刻的交通流数据，v_b1为前n-2个时刻的交通流数据。

4.根据权利要求3所述·的一种基于KNN算法的预测短时交通流的方法，其特征在于，所述欧氏距离是指预测状态向量与各组历史数据状态向量的欧氏距离，预测状态向量与历史数据状态向量X_z的欧氏距离d的计算公式如下：

5.根据权利要求4所述的一种基于KNN算法的预测短时交通流的方法，其特征在于，所述预测目标值是根据如下公式求得的：

其中，v_f为预测目标值，n表示预测状态向量中预测目标值的位置，vⁱ_hn为与预测状态向量中预测目标值位置对应的欧氏距离d_i对应的历史数据状态向量中的交通流数据。

6.根据权利要求5所述的一种基于KNN算法的预测短时交通流的方法，其特征在于，所述n为5，k为20。

7.根据权利要求1所述的一种基于KNN算法的预测短时交通流的方法，其特征在于，所述选取数值最小的k个欧氏距离的具体步骤为：将所有欧氏距离按照数值大小从小到大依次排序，选取前k个欧氏距离。

8.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序；

所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行以下步骤：

(1)提取历史交通流数据后根据其构建多组历史数据状态向量；

(2)实时采集交通流数据基于该数据构建预测状态向量；

(3)选取数值最小的k个欧氏距离并赋予每个选取的欧氏距离权重系数；

(4)根据权重系数及与其对应的欧氏距离匹配的历史数据状态向量中的交通流数据求得预测目标值；

所述赋予每个选取的欧氏距离是指按照如下公式针对欧氏距离d_i计算权重系数α_i：

其中，d_i为第i个欧氏距离，i＝1,2……k。