基于改进KNN模型的城市道路事故持续时间预测

文中提出一种改进的KNN(K-Nearest neighbor)预测模型.通过对训练集的多元回归建模分析得到对事故持续时间占主要影响地位的多个因素及其beta值,并代入到传统KNN模型中,改善模型所用欧氏距离,设计出一种改进的KNN预测模型.结果表明:这种改进的KNN预测模型能够较为准确的预测城市道路环境下的事故持续时间,在K值取不同大小时,测试集预测结果的平均相对误差为15.79%~16.24%,在K值均取最优值9时,模型的平均绝对误差相对于传统KNN模型降低了42.15 s,平均相对误差降低了10.3%.

基于EMD和KNN的发动机辐射噪声预测研究

针对基于发动机表面结构单通道振动的辐射噪声预测问题,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和KNN(K-Nearest neighbor)的预测算法,通过EMD将单一振动时域信号分解为多个本征模态函数(Intrinic Mode Function,IMF)信号,并将每个IMF信号作为振动数据集的特征,最后以新的振动数据集为输入建立辐射噪声预测模型。试验结果表明,基于该算法建立的预测模型可解释方差分数为0.97,有着较小的预测误差。

并行优化KNN算法的交通运输路况预测模型

针对标准KNN算法在交通运输路况预测的应用中还存在误差较高等问题。本文提出了一种基于改进粒子群并行优化KNN算法的交通运输路况预测模型,首先在采用粒子群算法对KNN算法进行优化前,引入变异操作并结合神经网络中的Sigmoid型函数对粒子群算法的特征子集进行优化,然后采用最优化学习策略对改进粒子群算法的运算性能进行优化,最后采用改进的粒子群算法把改进的KNN算法的待优化参数随机初始化为一组粒子的位置和速度,并根据适应值函数计算每个粒子的适应度。仿真实验结果表明,本文提出的改进粒子群算法具有较好的收敛性能,基于改进粒子群并行优化的KNN算法在交通运输路况的预测中误差较小。