昆明理工大学学报（自然科学版）
昆明理工大學學報（自然科學版）
곤명리공대학학보（자연과학판）
JOURNAL OF KUNMING UNIVERSITY OF SCIENCE AND TECHNOLOGY（SCIENCE AND TECHNOLOGY）
2014年
6期
45-50
,共6页
高速公路%交通事件%K-最近邻%持续时间%预测
高速公路%交通事件%K-最近鄰%持續時間%預測
고속공로%교통사건%K-최근린%지속시간%예측
Freeway%Traffic incident%K-nearest neighbor%Duration time%Prediction
通过对高速公路交通事件的性质和特征进行分析，选择对持续时间影响较大的属性（事件类别、发生时间、地点、天气、伤亡程度、涉及车辆数、占用车道数）构成了描述交通事件的向量，对各属性进行了分类与量化。以交通事件的历史数据集合为基础构建N 维搜索空间，计算了当前交通事件与历史交通事件之间的欧式距离，通过寻找距离最近的K个元素建立了最近邻预测模型。采用单因素方差分析法标定了变量权重，根据最小误差法确定了最佳K值。实例应用表明，K－最近邻预测模型对持续时间范围为30 min≤T＜90 min、90 min≤T＜180 min交通事件预测精度较高，适合高速公路有大量历史数据的情况下应用。
通過對高速公路交通事件的性質和特徵進行分析，選擇對持續時間影響較大的屬性（事件類彆、髮生時間、地點、天氣、傷亡程度、涉及車輛數、佔用車道數）構成瞭描述交通事件的嚮量，對各屬性進行瞭分類與量化。以交通事件的歷史數據集閤為基礎構建N 維搜索空間，計算瞭噹前交通事件與歷史交通事件之間的歐式距離，通過尋找距離最近的K箇元素建立瞭最近鄰預測模型。採用單因素方差分析法標定瞭變量權重，根據最小誤差法確定瞭最佳K值。實例應用錶明，K－最近鄰預測模型對持續時間範圍為30 min≤T＜90 min、90 min≤T＜180 min交通事件預測精度較高，適閤高速公路有大量歷史數據的情況下應用。
통과대고속공로교통사건적성질화특정진행분석，선택대지속시간영향교대적속성（사건유별、발생시간、지점、천기、상망정도、섭급차량수、점용차도수）구성료묘술교통사건적향량，대각속성진행료분류여양화。이교통사건적역사수거집합위기출구건N 유수색공간，계산료당전교통사건여역사교통사건지간적구식거리，통과심조거리최근적K개원소건립료최근린예측모형。채용단인소방차분석법표정료변량권중，근거최소오차법학정료최가K치。실례응용표명，K－최근린예측모형대지속시간범위위30 min≤T＜90 min、90 min≤T＜180 min교통사건예측정도교고，괄합고속공로유대량역사수거적정황하응용。
Through analyzing freeway traffic incidents’characters and properties,this paper describe traffic inci-dent by a series variables,such as the categories,time,site,whether,dead and injury,vehicle,lanes,et.al. Since traffic incident has similarities,a N dimensional space has been built up based on historic traffic incident. The prediction model set up using K-nearest neighbor method,which predict the duration time by finding the most nearest neighbor in the historic space.In the model,the weight of the variable determined by using ANO-VA analysis,and the optimal K got by minimizing the prediction error.Finally,this paper use K-nearest neigh-bor model to predict different groups of field data,it shows that this model has a good performance for the mid-group of incidents,which duration times are:30 min≤T<90 min,and 90 min≤T<180 min.Apparently,this model could be used for the freeway which has a large amount of historic data.
