郇宁,谢俏,叶红霞,姚恩建

摘要：针对实时进站客流数据的高维数、多噪声、波动频繁等特征,本文提出一种基于改进K最近邻(K-nearest-neighbor, KNN)算法的城轨进站客流实时预测方法.首先,通过对分时客流数据的相关性分析,确定表征客流特征的状态向量;其次,结合数据特性改进近邻样本的模式匹配过程,利用关键点法去除原始序列中的噪声扰动,并引入动态时间规整算法实现考虑序列形态的相似性度量;再次,根据样本间流量差异引入距离权重和趋势系数,推演未来时段的进站量,实现滚动的实时预测;最后,依托广州地铁客流数据仓库对预测模型进行精度分析.结果表明,对于全网159个站点,5 min粒度下全天分时进站量预测的平均绝对百分比误差的均值为11.6%,能够为路网状态监控提供可靠的数据支撑.

关键词：城市交通;实时预测;K近邻;进站客流;动态时间规整;

DOI：10.16097/j.cnki.1009-6744.2018.05.018

发表时间：2018-10-15