第 33卷 第 11期 控 制 与 决 策 Vol.33 No.11
2018年 11月 Control and Decision Nov. 2018
文章编号: 1001-0920(2018)11-2080-07 DOI: 10.13195/j.kzyjc.2017.0729
高速公路行程时间Bootstrap-KNN区间预测分析与实证
陈娇娜
1†
, 张 翔
2
, 张生瑞
3
(1. 西安石油大学 电子工程学院，西安 710065；2. 中交第一公路勘察设计研究院有限公司，
西安 710075；3. 长安大学 公路学院，西安 710064)
摘 要: 针对行程时间点预测不能描述预测结果的可信度问题, 以高速公路收费系统作为基础数据源, 提出基于
Bootstrap 的高速公路行程时间区间预测模型, 通过范围概率 (PICP)、预测区间平均宽度 (MPIW) 以及综合指标
(CWC)反映区间预测性能. 对预测模型建模和 Bootstrap置信区间估计方法两个关键步骤进行分析和实证, 比较小
波神经网络和 K 最近邻两种常用数据驱动方法的预测误差, 并分析 4 种 Bootstrap 置信区间估计方法的区间预测
性能. 在相同的置信水平下, Percentile Bootstrap-KNN 模型的综合指标值 CWC 最小, 说明该模型区间预测性能最
佳. 对陕西省高速公路某热点 OD 进行实例分析, 结果表明, 采用相同预测算法的区间预测比点预测的误差小, 且
预测区间宽度可以表征预测结果的可信度和参考价值.
关键词: 交通工程；行程时间；Bootstrap；置信区间；K 最近邻；区间预测
中图分类号: TP491 文献标志码: A
Analysis and empirical study on highway travel time interval prediction
based on Bootstrap-KNN
CHEN Jiao-na
1†
, ZHANG Xiang
2
, ZHANG Sheng-rui
3
(1. School of Electronic Engineering, Xi’an Shiyou University，Xi’an 710065，China；2. CCCC First Highway
Consultants Co Ltd，Xi’an 710075，China；3. School of Highway, Chang’an University，Xi’an 710064，China)
Abstract: With the data source from highway charge system, the prediction model is established based on Bootstrap
to improve the reliability of point prediction in travel time. Three indexes are used to evaluate the interval prediction
performance, including prediction interval coverage probability(PICP), mean prediction interval width(MPIW), and
coverage width-based criterion(CWC). Two key steps are analyzed and verified with actual data in modeling. As the
methods used frequently in data-driven, the wavelet neural network and K nearest neighbor are compared about prediction
error. The confidence interval prediction performance is analyzed among four kinds of Bootstrap methods. Under the
same confidence level, the result shows that Percentile Bootstrap-KNN is the best with the minimum CWC. The proposed
model is validated by Shanxi expressway in the case study. It is proved that interval prediction is better than point
prediction under the same algorithm, as the reliability and value can be reflected by the prediction interval width.
Keywords: traffic engineering；travel time；Bootstrap；confidence interval；K nearest neighbor；interval prediction
0 引
行程时间预测是先进的高速公路出行信息系统
中不可缺少的部分, 行程时间的变化具有非线性和
非平稳的特点
[1]
,可靠的预测结果能够帮助出行者决
策,而缺乏有效性保障的预测结果将不会被参考或关
注. 因此, 行程时间预测结果的可靠性量化具有重要
的实用价值.
行程时间预测研究的主要方法包括时间序列方
法
[2]
、卡尔曼滤波
[3-4]
、神经网络
[5]
、线性回归
[6]
和
支持向量机
[7-8]
等, 车辆检测器
[9-10]
、收费系统
[11-12]
、
浮动车
[13]
和蓝牙
[14]
等多种数据源也在该领域得以
应用. Zhang 等
[15]
和毕松等
[16]
综述了现行的行程时
间预测方法, 现有的研究主要通过模型组合
[17-19]
和
数据融合
[20-22]
两个角度进行模型精度的提高. 回顾
文献,道路行程时间预测研究大多集中在点预测模型
的改进, 即只对下一时刻的行程时间进行预测, 未提
收稿日期: 2017-06-10；修回日期: 2018-02-05.
基金项目: 陕西省交通运输厅科研项目(14-40X).
责任编委: 赵珺.
作者简介: 陈娇娜 (1989−), 女, 讲师, 博士, 从事数据挖掘和智能交通的研究；张生瑞 (1963−), 男, 教授, 博士生导
师,从事综合交通运输等研究.
†
通讯作者. E-mail: chenjn@xsyu.edu.cn
剩余6页未读，继续阅读
资源评论
weixin_38679449
- 粉丝: 5
- 资源: 935
最新资源
- 的玩具 Python 实现.zip
- RHCE linux下的火墙管理 及下载
- ESP32-C3FH4 : UltraLowPower SoC with RISCV SingleCore CPU Supporting 2.4 GHz WiFi and Bluetooth LE
- 用于解包和反编译由 Python 代码编译的 EXE 的辅助脚本 .zip
- 用于自动执行任务的精选 Python 脚本列表.zip
- 全国IT学科竞赛蓝桥杯的比赛特点及参赛心得
- 用于编码面试审查的算法和数据结构 .zip
- 用于操作 ESC,POS 打印机的 Python 库.zip
- 用于控制“Universal Robots”机器人的 Python 库.zip
- 用于控制 Broadlink RM2,3 (Pro) 遥控器、A1 传感器平台和 SP2,3 智能插头的 Python 模块.zip
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
