计算机应用

作者：王雪菲, 丁维龙

单位：1. 北方工业大学 计算机学院, 北京 100144;2. 大规模流数据集成与分析技术北京市重点实验室(北方工业大学), 北京 100144

关键词：交通流量,短时预测,K近邻,时空数据,大数据

基金：国家自然科学基金资助项目（61702014）；北京市自然科学基金资助项目（4162021）；交通运输部公路科学研究所基本科研业务费重点项目（2016-9027）。

针对高速公路传统的短时交通流预测方法适用数据规模小、全网预测效率较低、数据的时空关系被忽视等问题，提出一种结合了K近邻（KNN）模型且面向高速大数据的短时交通流预测方法。首先，对模型的K值和距离度量进行调优，利用交叉验证进行模型参数的对比实验；然后，考虑数据内在的业务时空关联，建模基于时空特性的特征向量；最后，在大数据环境下建立回归预测模型，以最优参数的模型实现预测。实验结果表明，与传统时间序列模型相比，所提方法一次可预测出全站点的流量，单次运行速度快，效率提高了77%，平均绝对百分比误差（MAPE）和绝对百分比误差中位数（MDAPE）均有明显减低，且具有良好的水平扩展性。

来源：2019年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第1期