梁秀霞 胡姗姗 李伟斌

(河北工业大学控制科学与工程学院，天津 300130)

0 引言

随着社会经济的发展，城市化、汽车化速度加快，交通拥挤、交通事故频发、能源短缺等问题越来越突出［1］。智能交通系统(intelligent transportation system，ITS)被视为解决交通拥堵问题的重要手段［2］。它的广泛应用能够帮助人们理性地选择出行路线，能够更有效地减少环境污染，避免交通拥挤，大大减少了出行时间。

道路交通系统是一个有人参与的、时变的、复杂的非线性大系统，其显著特点是具有高度的不确定性［3］。如果我们能准确地预测出未来交通状态，就能防止交通阻塞和其他消极因素的影响。为此，本文首先研究了基于K近邻的非参数回归算法。同时，为了进一步提高算法预测的精度，从两方面对原有的算法进行了改进。首先采用主成分分析方法选取状态向量，不仅达到了降维的目的，而且体现了变量之间的综合作用;然后增加闭环回路，使模式匹配过程增加预测误差因素，使匹配过程更趋向合理。

1 算法

1.1 算法框架

为了研究交通流量Y的变化规律，通常寻找一种回归表达式Y=f(x)+u，其中x为相关变量，u为随机误差项［4］，但是要找到一个固定的f(x)不容易。在非参数估计中，不需要假定这个函数f(x)的形式，也不需要设定参数。非参数估计是一种数据驱动的启发式预测机制，通过搜索历史数据库中与当前观测值相似的数据来预测未来值，它的数学模型是从历史数据中得到的。通常非参数估计可以划分为三部分:历史数据、搜索机制和预测函数［5］。……