改进K近邻算法在城市轨道交通客流预测的应用

发布时间：2023-02-24 10:36

　　随着经济的飞速发展,道路交通的拥堵问题也变得越来越严峻。城市轨道交通具有运载能力强、正点率高、节能环保等优点,所以人们选择城市轨道交通作为首要出行方式,这也直接导致了客流的快速增长。客流预测作为智能交通系统中的重要组成部分,在帮助运营部门做好调度,协同交通资源和避免乘客大面积的拥堵问题上发挥了很大的作用,进而成为缓解地铁线路客流超负荷运行的重要手段。K近邻算法作为客流预测的方法之一,其方法具有不需要对数据进行假定,对异常的数据不是很敏感,预测精度较高的优点,所以广泛应用到客流预测中。但是传统的K近邻算法存在一定的问题:原始历史数据的预处理不足;状态向量的选取方式不够科学;在进行模式匹配时算法查询速度过慢;并且采用恒定近邻数K值,导致预测误差过大;K近邻算法没有误差反馈,不能对算法进行调节。本文对以上陈述的问题进行改进,以北京地铁客流数据为例,客流数据从城市轨道交通自动售检票系统所得。由于城市道路交通与城市轨道交通客流变化的相似性,将城市道路客流预测方法引入到城市轨道交通客流预测中,并对该预测算法进行以下三点的改进。(1)对历史数据的处理进行改进。采用采取阈值法对历史客流数据进行异常值筛...

【文章页数】：100 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 论文的整体结构
2 客流预测算法综述
    2.1 参数回归算法
        2.1.1 历史平均算法
        2.1.2 卡尔曼滤波算法
        2.1.3 时间序列算法
    2.2 非参数回归算法
        2.2.1 非参数回归算法的原理
        2.2.2 非参数回归法在客流预测中的优势
        2.2.3 人工神经网络算法
        2.2.4 K近邻算法
    2.3 本章小结
3 K近邻算法及存在的问题
    3.1 K近邻算法预测模型的流程
    3.2 历史客流数据处理
        3.2.1 历史客流数据预处理
        3.2.2 状态向量的设计
    3.3 K近邻算法
        3.3.1 相似距离判断方法
        3.3.2 客流预测中相似距离判别方法的推导
        3.3.3 预测算法的描述
    3.4 K近邻算法存在的问题
    3.5 本章小结
4 K近邻算法的改进方法
    4.1 历史客流数据处理的改进
        4.1.1 异常数据检测
        4.1.2 修正异常数据
        4.1.3 主成分分析法构建状态向量
    4.2 改进历史数据库
        4.2.1 采用聚类算法处理历史数据
        4.2.2 历史数据库的结构改进
    4.3 K近邻算法改进
        4.3.1 近邻数k值选取规则改进
        4.3.2 新增误差反馈机制
    4.4 改进K近邻算法在客流预测中的详细流程
    4.5 本章小结
5 改进K近邻算法实施及结果分析
    5.1 历史客流数据处理
    5.2 客流数据中增加天气数据
    5.3 主成分分析法确定状态向量
    5.4 K-means聚类形成聚类中心和近邻簇实现
    5.5 K-Fold交叉验证实现
    5.6 改进K近邻算法模型仿真实例
    5.7 改进K近邻算法模型的预测结果分析
    5.8 本章小结
6 结论与展望
    6.1 总结
    6.2 展望
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3748716