基于K-近邻方法的交通状态预测搜索策略改进

获取未来交通状态信息对维持成功的智能交通系统（ITS）至关重要。然而，预测未来交通状态是一个挑战性的研究课题，涉及预测的可靠性问题。评估预测模块时，预测性能指标，包括准确性、效率和稳定性，通常被视为最重要的优先事项。研究人员开发了各种基于K近邻的搜索算法，从历史交通模式中找到未来状态。有趣的是，为提高性能并没有投入足够的努力。在新兴的大数据时代，采用高效的搜索策略变得越来越重要，因为预测模块在ITS中的适用性严重依赖于所用搜索方法的效率。本文开发了一种新颖的顺序搜索策略用于交通状态预测。所提出的顺序策略在预测准确性、效率和稳定性等预测指标方面优于传统的单层搜索方法。与传统方法相比，所提出的顺序方法通过跨子级别的内部分层改进，显著提高准确性，同时保持了优秀的效率和稳定性。