李 翠， 黄 侃， 李 霞

(江西交通职业技术学院 信息工程学院， 南昌 330013)

交通流数据为智能交通系统ITS(Intelligent Transportation System)的正常运行提供了数据支撑，其中蕴含的交通时空分布规律对现代交通的科学管理与决策、交通流的基础理论研究具有重要利用价值[1]。ITS已在世界范围内广泛应用，并成为了高速公路和城市道路交通控制的有力工具。为了实现有效的交通控制和交通诱导，需在做出控制(诱导)变量决策的时刻对下一决策时刻乃至以后若干时刻的交通流量做出实时、准确的预测(即短时交通流预测)。短时交通流预测一般不超过15 min的时间跨度[2]。

有关短时交通流预测的算法大致可划分为3类[3-10]：第一类是基于传统数理统计模型的算法，也可称为参数法，主要包括历史均值法[3]、时间序列法[4]、卡尔曼滤波法[5]等。该类算法模型简单、编程方便，但受交通流非线性和随机性的影响，此类算法在较短预测周期下的预测精度较差。第二类是基于人工智能模型的算法，又称为非参数法，主要包括神经网络法[6]、非参数回归法[7]、支持向量机法[8]等。该类算法可充分逼近任意复杂的非线性和随机性交通流序列，对短时交通流具有较好的预测效果，但存在参数设置困难、收敛速度慢等不足。第三类是基于混合模型的算法，即将前2类算法中的2个或多个预测模型进行组合[9-10]。该类算法依赖于不同模型之间的协调，有利于预测精度的提高，但其参数调整依然是个难题。

K近邻(K-nearest neighbors，KNN)是一种常用的非参数回归方法，KNN法完全由数据驱动而无需假设数据的分布模式，原理简单且易于扩展[11-12]。……