[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

说明书

本发明公开了一种基于KNN算法的预测短时交通流的方法和电子设备，方法步骤：根据历史交通流数据构建多组历史数据状态向量；基于采集的交通流数据构建预测状态向量；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；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；赋予每个选取的欧氏距离是指按如下公式对欧氏距离d_i计算权重系数α_i：其中d_i为第i个欧氏距离。电子设备包括处理器、存储器以及程序；程序被存储在存储器中，当程序被处理器执行时，使得电子设备执行预测短时交通流的方法。本发明预测精度高，适用于非线性的交通流数据，应用前景好。

技术领域

本发明属于智能交通技术领域，涉及一种基于KNN算法的预测方法及应用该方法的电子设备，特别涉及一种基于KNN算法的预测短时交通流的方法和电子设备。

背景技术

交通流预测方法分为长期预测、中期预测和短时预测三种：长期预测主要以交通规划为目的，预测期较长；中期预测以交通管理为目的，而短期预测以交通控制和引导为目的，预测期较短。基于对时间和效率的重视，在现有的交通预测中，主要采用短时交通流预测的方法。智能交通系统控制中心利用交通流预测的结果做出判断和规划，为出行者的路径选择提供引导，从而在一定程度上实现缓解交通拥堵，降低能源损耗及提高人们出行效率的目的。

目前的交通流短时预测方法有移动平均法、卡尔曼滤波法及基于时间序列的预测方法等。移动平均法主要通过既得数据求算术平均值的方法，其预测精度不高；卡尔曼滤波法适用于预测线性交通流数据，而对于非线性的交通流数据处理效果不好；基于时间序列的数据预测方法适用于处理稳定的交通运行情况，对于异常情况的出现无法做出敏感的反应，因此不能保证预测的准确性。KNN算法又称邻近算法，是数据挖掘分类技术中最简单的方法之一，KNN算法在进行类别决策时，只需提取极少量的相邻样本即可，其是一种简单有效的交通流短时预测方法，但现有技术的KNN算法在算法参数上可作进一步优化的空间，即在预测的精度上还存在提高的空间。

因此，开发一种预测精度更高的基于KNN算法的短时交通流预测方法极具现实意义。

发明内容

本发明的目的在于克服现有技术预测精度不高、对非线性交通流数据(即异常情况)处理效果不好的缺陷，提供一种通过改进距离权重选取方式以进一步提高预测精度的基于KNN算法的短时交通流预测方法。

为实现上述目的，本发明提供如下技术方案：

一种基于KNN算法的预测短时交通流的方法，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。