- 选题背景和意义：
随着检测设备、移动互联网和云计算技术的蓬勃发展，智能交通系统（ITS）正被应用于实际的交通管理系统中，以提高交通管理的效率。短时交通量预测是智能交通系统（ITS）支持实时交通控制和管理的重要组成部分，能够提前提供道路信息。短期交通量预测是在给定交通信息的连续短期反馈的情况下，直接估计未来某一时刻的预期交通状况的过程。与服务于交通规划的长期交通量预测不同，短期交通量预测侧重于预测从几秒到几小时的时间范围内的交通状况，且短时交通预测模型中使用的交通数据大多是由自动检测装置采集的。
除了丰富的实时交通数据外，利用典型的统计模型和机器学习算法在这一领域迅速开展的研究也加速了短期交通量预测的应用。然而，这些研究大多使用参数模型，在实际的背景下，采集到的交通流数据多为非线性且随机的，因此参数模型很难得到较好的预测准确率。因此数据驱动的非参数模型是解决这类问题的较优方法。KNN算法是一种非常有效的预测方法，具有原理简单、计算方便等优点，近年来在各种预测问题中得到了广泛的应用。传统的KNN算法预测方法简单，但不足以满足实际需求，因为只考虑到了序列间的绝对距离大小，而忽视了时间等因素的影响。本课题的研究目标旨在根据短时交通流数据的特性，对传统的KNN算法进行改进，将常规的KNN预测方法推广到包含更多变量的预测，考虑到交通流的实际意义，在距离度量的选择上，本研究将会采用全新的距离度量方法，来考虑到时间影响和波动趋势等因素。此外，近邻数K以及用于预测的交通流序列长度的选择也是讨论的重点，预计可以利用Python进行智能化调参。最后，将新方法的预测结果与现有结果进行比较，预计可以获得更好的预测效果。
- 课题关键问题及难点：
本课题的关键问题在于如何对传统的KNN分类算法进行合理改进，从而对某个路段特定时间段的交通流量数据进行准确的预测，与传统KNN等方法相比，改进的算法应该具有更好的性能和更高的准确率。
课题的难点一方面在于数据量较大，并且具有较强的不确定性，因此在处理数据时不易发现特定的规律，不易进行数据预处理，一定程度上会影响预测的结果；难点二在于短时交通流是非线性的，并且具有随机性，因此传统的KNN算法不再适用，需要在改进的算法中考虑时间等因素对预测的影响，还需要考虑如何改进算法以减小随机因素的扰动；难点三在于KNN算法中超参数的选择，如最近邻数目K的选择，距离度量的选择等。
- 文献综述（或调研报告）：
随着人口数量的增长以及城市交通压力的日益增大，智能交通系统的应用日趋广泛，政府和越来越多的科研工作者对于交通流的预测，尤其是对于短时交通流预测更加重视。短时交通流预测就是预测未来几秒钟到几个小时的交通数据，已有的短时交通流预测大概有四种预测方法：传统方法、参数方法、非参数方法和混合模型。传统方法就是对未来的交通流数值进行简单假设，例如通过直接通过计算历史数据平均值计算交通流 [1]。而参数模型通常基于固定模型估计参数，但是在不稳定的交通条件和复杂的路况下准确率不稳定，例如使用卡尔曼滤波模型预测交通流[2]，这种方法计算量巨大且无法处理不稳定交通情况。一些研究者使用典型的参数方法时间序列分析模型ARIMA进行预测[3]，并且有后续研究对ARIMA模型参数进行讨论[4]，但ARIMA需要大量且连续的数据，而实际观测数据易出现缺失。
另一方面，非参数方法大多是数据驱动的，这种方法没有任何关于基础模型公式和估计模型参数所涉及的不确定性的假设因此精度较高，例如基于神经网络技术的方法[5]。
近年来，研究者发现基于机器学习算法的短时交通预测准确率明显提高[6]，例如聚类分析[7]、SVM [8]、KNN [9]等方法，但聚类分析和SVM对数据波动较为敏感。
而一些短时交通预测模型采用了参数模型与非参数模型的组合[10]，这样可以集合优点提高精度，但会造成模型复杂且计算量大。
总之，考虑到短时交通预测模型的多样性，根据具体的研究数据有噪声且非线性，非参数化模型更适合于从这些较复杂的数据中学习信息并找到规律，并且考虑到本研究数据量较大且维数较低，采用KNN算法准确率较高且计算量不会过大。除了传统的KNN方法，还有一些研究者发现使用加权欧氏距离的KNN算法可以有效提高预测的准确率[9]。
然而，现有研究中KNN距离度量本质上都是为了比较两个交通序列距离的绝对大小，而相似性除了考虑绝对大小之外，还应考虑波动趋势的相似性，因此，本研究将会采用全新的距离度量，同时对数据进行拟合降噪，并利用合理方法对改进KNN的超参数进行调参，从而让交通流预测更加客观、准确。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
