可预知性特殊事件下的短时交通状态预测

精准的短时交通状态预测是实施有效的交通管理与控制的重要依据。而可预知性特殊事件(PSEs)短时间内在其举办地点周边产生异常的交通出行需求,又因为事件发生数量少、数据样本收集困难等不利因素,往往造成预测精度难以保证。为此,通过实测数据分析了PSEs下短时交通演化特性,在此基础上,采用改进的K近邻(KNN)算法框架,提出一种短时交通状态的KNN(PSE-KNN)预测模型,并通过基于深度强化学习的实时超参数优化方法将其构建成自适应PSE-KNN(APSE-KNN)模型,最后以北京市演唱会场景为例对所提模型的效果进行了验证。结果表明:所提模型在多步预测实验中,相对于其他7种对比预测模型,平均减少残差值12.43%、降低绝对值百分比误差29.90%。证明所提模型有优异的快速调整能力,其更适应于PSEs场景下短时交通状态预测任务。