科创中国

电子信息技术

一种基于动态时空分析的交通流预测算法，其特征在于：通过对不同路段交通流数据的动态时空分析，提出了一种自适应时空加权增强K近邻模型(Adaptive Spatio-Temporal Weighted Enhanced K-Nearest Neighbor，ASTWE-KNN)，实现了对区域路网交通流的定制化建模预测，并通过美国加州101公路真实交通数据集的实证研究表明，所提模型相对于传统时空K近邻模型和深度学习模型有更高的预测精度；具体地，使用互相关函数分析路网内各路段间的空间相关性，为每条路段确定最优的空间邻居；其次，使用自相关函数和交叉验证方法，分析单条路段交通流时间序列数据的时间相关性，为每条路段确定最优的预测时间窗，在确定了空间邻居和预测时间窗后，构造交通流动态时空状态矩阵，更加准确地定量表征路段的交通状态；然后，依据路段交通流数据间的互相关函数值和预测时间窗中历史数据和当前数据的时间接近度，为时空状态矩阵的每个数据元素分配大小不等的权重，构造与各路段交通状态相匹配的自适应时空权重矩阵，并将自适应时空状态矩阵引入到传统欧氏距离，形成时空加权欧氏距离，优化K近邻模型的最佳近邻搜索机

本发明涉及一种基于动态时空分析的短时交通流预测方法，具体包括：系统建模：提出用于表征区域路网各路段交通状态的动态的交通流时空状态矩阵，精准化地定量表征了路段的交通状态；提出用于计算交通流时空状态矩阵之间相似度的交通流动态时空权重矩阵，动态地为时空状态矩阵的每个数据元素分配权值，以构建动态时空加权欧氏距离，优化K近邻模型的近邻搜索机制；提出基于相似度占比的加权预测法，使用美国加州公路管理系统PeMS的真实交通流量数据集进行实证研究。讨论了包含均值预测、反距离加权预测、等级加权预测三种预测函数的精度表现。与现有的统计理论和人工神经网络模型对比，验证了本发明所提模型在短时交通流预测中具有更好的预测精度。

我们是一支专注于短时交通流预测的模型设计团队。利用动态时空分析技术，我们开发了一种精确的交通流预测模型，能够实时分析和预测城市交通流变化。这一模型通过集成历史数据和实时信息，帮助城市管理者优化交通控制和规划决策，提高道路使用效率。我们的团队由数据科学家、交通工程师和计算机专家组成，共同致力于通过技术创新改善城市交通系统，减少拥堵，提升城市生活质量。