论文部分内容阅读
时间序列是指一系列按照时间顺序排列的数据的集合。时间序列数据中蕴含着重要的价值，已广泛应用于各个领域。而现实世界中的事物往往是由多个维度共同刻画的，因此，研究多维时间序列可以获得更加丰富的信息。预测是基于多维时间序列的一种重要的研究方向，具有重要的科研价值和实践意义。 交通流量预测是智能交通系统(Intelligent Transportation System，ITS)的一个关键问题，其中时间序列预测模型是较为成熟的预测方法之一。高速公路不停车电子收费(Electronic Toll Collection，ETC)系统作为ITS的一个重要子系统，通过在高速公路上的应用，有效提高了收费站的通行能力。准确的高速公路ETC日交通流量的预测为交通枢纽管理方案设计和ETC车道建设规划等提供指导。而且影响ETC日交通流量的因素很多，建立基于多维时间序列的预测模型对ETC日交通流量的预测具有重要意义。 本文的主要工作内容和改进之处如下: (1)针对ETC日交通流量数据集的混合属性情况以及近邻所属类别可能不同的问题，本文提出了一种改进的k近邻(k-nearest neighbor, k-NN)方法。一方面在距离度量时，考虑数据变化趋势和混合属性等的影响，采用了数据规范化和不同属性类型不同距离度量方法。另一方面该方法在搜索到k个近邻集合后，为了剔除干扰的近邻，采用关联规则的方法，选取置信度最高的近邻集合进行预测。实验结果表明，改进的k-NN方法提高了预测效果。 (2)为了尽量保留有价值的原始交通流量信息，根据本文提出的改进的k-NN方法，结合多轮末位淘汰法的思想，进行基于改进的k-NN方法的多轮末位淘汰的维度约简。通过比较去掉某一维度后的改进的k-NN整体预测精度与使用所有维度参与预测的整体预测精度，判断是否删除该维度。 (3)交通系统是一个不确定的、非线性的系统，因此交通流量在不同时期会有不同的数据特征。而单一预测模型通常只会在某一时期有较好的预测效果，本文采用组合预测模型的框架，选取和组合多个预测模型，使得在整个区间都有较好的预测效果。 (4)根据ETC日交通流量的数据特征，本文提出的模型框架添加验证模块，通过已知规则对预测结果进一步验证和修改，进而提高预测效果。 本文提出的预测模型框架通过基于真实的ETC日交通流量实验验证和结果分析，一方面证明了本文选取的ETC日交通流量影响因素的合理性，另一方面验证了本文提出的模型框架的可用性和有效性。