一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法

摘要

一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法，首先提取目标路段及与其空间关联路段的具有代表性的道路交通数据，经过数据预处理后建立道路交通运行特征参考序列；然后选取空间道路交通数据序列，并构建空间道路交通数据序列的Mercer核；最后选取空间道路交通特征参考数据序列和当前空间道路交通特征序列，获取空间道路交通特征参考数据序列和当前空间道路交通特征序列在特征空间的欧式距离，通过KNN方法选取目标路段的k个道路交通状态，最后通过加权平均获取目标路段的道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明有效获取道路交通状态、准确性较好。

说明书

技术领域

本发明属于交通状态获取领域，涉及一种道路交通状态获取方法。

背景技术

道路交通状态获取是进行交通流控制和诱导等交通管理的重要前提，是制定交通安全管理策略、交通事故检测、交通事故致因分析等交通安全保障措施的必要基础，是交通基础设施管理、监控和维护不可缺少的第一手资料。因此交通状态获取是交通管理、交通安全保障和交通基础设施监控维护的基础性重要问题。

在既有的道路交通状态获取方法中，一方面，由于道路交通系统的复杂多变性，当路段自身的道路交通状态数据不可用时，缺乏有效的广泛性的道路交通状态获取方法；另一方面，非参数模型(KNN)中对总体分布的一般性假设条件的范围很宽，基于非参数统计建立的模型具有较好的鲁棒性和适应性，但既有的方法缺乏对道路交通状态多维多粒度特性的充分考虑。存在的技术缺陷是：准确性较差。

发明内容

为了克服已有道路交通状态获取方法的准确性较差的不足，本发明提供了一种有效获取道路交通状态、准确性较好的基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法。

本发明解决其技术问题所采用的技术方案是：

一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法，所述获取方法包括以下步骤：

(1)建立道路交通特征参考序列：

设计道路交通特征参考序列，提取具有代表性的道路交通数据，进行数据预 处理，获取目标路段及与其空间关联路段的道路交通运行特征信息，并存入道路交通运行特征参考序列；

(2)构建空间道路交通数据序列的核函数：

选取与目标路段空间关联路段的多维多粒度的道路交通数据序列，利用核函数将该道路交通数据序列映射到特征空间，构建空间道路交通数据序列的核函数；

(3)基于Kernel-KNN获取道路交通状态：

提取空间道路交通特征参考数据序列和当前空间道路交通数据序列，获取空间道路交通特征参考数据序列和当前空间道路交通数据序列在高维特征空间的欧式距离，通过KNN方法选取k个最近邻道路交通特征参考数据序列；从道路交通特征参考数据序列中，选取这k个最近邻道路交通特征参考数据序列对应的目标路段的道路交通状态，最后通过对这k个道路交通状态加权平均获取道路交通状态。

进一步，所述步骤(1)中，假设交通流检测器采集交通状态信息的时间间隔为Δt，单一交通流检测器每天采集的交通状态信息的数量为N_um，设定选取的时间维度为c×Δt，选取的道路交通参数粒度为d，选取的与目标路段空间关联且数据可用的路段条数为r，则t时刻选取的空间道路交通数据序列X(t)为：

X(t)＝[S₁(t-(c-1)Δt) … S₁(t-Δt) S₁(t)

S₂(t-(c-1)Δt) … S₂(t-Δt) S₂(t)

                …

S_r(t-(c-1)Δt) … S_r(t-Δt) S_r(t)]^T

S_j(t)＝[S_j1(t) S_j2(t) … S_jd(t)]^T

其中，S₁(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]内第1条路段的道路交通状态参数集，S₁(t-Δt)为时间段[t-Δt，t]内第1条路段的道路交通状态参数集， S₂(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]第2条路段的道路交通状态参数集，S₂(t-Δt)为时间段[t-Δt，t]内第2条路段的道路交通状态参数集，S_r(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]内第r条路段的道路交通状态参数集，S_r(t-Δt)为时间段[t-Δt，t]第r条路段的道路交通状态参数集，S_j(t)为时间段[t，t+Δt]内第j条路段的道路交通状态参数集，j＝1，2，…r，S_ji(t)为内第j条路段在时间段[t，t+Δt]内第i种道路交通状态参数值，i＝1，2，…d；

所述步骤将空间道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t))，则特征空间中t₁时刻和t₂时刻的空间道路交通数据序列高维特征的点积用Mercer核表示为：

K(X(t₁)，X(t₂))＝<φ(X(t₁))，φ(X(t₂))>。

再进一步，所述步骤(3)中，基于空间交通特性Kernel-KNN获取道路交通状态的过程如下：

步骤3.1：不同道路交通数据序列的选取

设定共选取a天的道路交通状态数据建立道路交通特征参考序列，则道路交通特征参考序列中每条路段的交通状态信息的数量为a×N_um。定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt)，c-1≤h≤(a×N_um-1)，则该时刻的空间道路交通特征参考数据序列X_S(h·Δt)为：

X_S(h·Δt)＝[S₁(h·Δt-(c-1)Δt) … S₁(h·Δt-Δt) S₁(h·Δt)

S₂(h·Δt-(c-1)Δt) … S₂(h·Δt-Δt) S₂(h·Δt)

                …

S_r(h·Δt-(c-1)Δt) … S_r(h·Δt-Δt) S_r(h·Δt)]^T

S_j(h·Δt)＝[S_j1(h·Δt) S_j2(h·Δt) … S_jd(h·Δt)]^T

其中，S₁(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第1条路段的道路交通特征参考值，S₁(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第1条路段的道路交通 特征参考值；S₂(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第2条路段的道路交通特征参考值，S₂(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第2条路段的道路交通特征参考值；S_r(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第r条路段的道路交通特征参考值，S_r(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第r条路段的道路交通特征参考值；S_j(h·Δt)为时间段[h·Δt,h·Δt+Δt]内第j条路段的道路交通特征参考值，j＝1，2，…r，S_ji(h·Δt)为第j条路段在时间段[h·Δt，(h+1)Δt]内的第i种道路交通状态参数参考值，i＝1，2，…d；c-1≤h≤(a×N_um-1)；

t_N为当前时间刻度，则当前时刻选取的空间道路交通数据序列X(t_N)为：

X(t_N)＝[S₁(t_N-(c-1)Δt) … S₁(t_N-Δt) S₁(t_N) 

S₂(t_N-(c-1)Δt) … S₂(t_N-Δt) S₂(t_N) 

                …

S_r(t_N-(c-1)Δt) … S_r(t_N-Δt) S_r(t_N)]^T

S_j(t_N)＝[S_j1(t_N) S_j2(t_N) … S_jd(t_N)]^T

其中，S₁(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第1条路段的道路交通状态参数集，S₁(t_N-Δt)为时间段[t_N-Δt，t_N]内第1条路段的道路交通状态参数集，S₂(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第2条路段的道路交通状态参数集，S₂(t_N-Δt)为时间段[t_N-Δt，t_N]内第2条路段的道路交通状态参数集，S_r(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第r条路段的道路交通状态参数集，S_r(t_N-Δt)为时间段[t_N-Δt，t_N]内第r条路段的道路交通状态参数集，S_j(t_N)为时间段[t_N，t_N+Δt]内第j条路段的道路交通状态参数集，j＝1，2，…r，S_ji(t_N)为第j条路段在时间段[t_N，t_N+Δt]内的第i种道路交通状态参数值，i＝1，2，…d；

步骤3.2：道路交通数据序列特征空间中欧式距离的获取

通过Mercer核将多维多粒度的空间道路交通数据序列映射到特征空间，基于 核函数的定义，多维多粒度的空间道路交通数据已被映射到φ(X(t))，则空间道路交通特征参考数据序列X_S(h·Δt)和当前空间道路交通数据序列X(t_N)在特征空间中的欧式距离表示为：

$\left(\begin{array}{c}d(X_S(h·\mathrm{\Delta t}),X\left(t_N\right))=\sqrt{{\left|\right|\phi \left(X_S(h·\mathrm{\Delta t})\right)-\phi (X\left(t_N\right)\left|\right|}^2}=\\ \sqrt{<\phi \left(X_S(h·\mathrm{\Delta t})\right),\phi \left(X_S(h·\mathrm{\Delta t})\right)>-2<\phi \left(X_S(h·\mathrm{\Delta t})\right),\phi (X\left(t_N\right)>+<\phi (X\left(t_N\right),\phi (X\left(t_N\right)>}\\ =\sqrt{K(X_S(h·\mathrm{\Delta t}),X_S(h·\mathrm{\Delta t}))-2K(X_S(h·\mathrm{\Delta t}),X\left(t_N\right))+K(X\left(t_N\right),X\left(t_N\right))}\end{array}\right)$

步骤3.3：道路交通状态的获取

(3.3.1)利用距离公式，计算当前空间道路交通数据序列与空间道路交通特征参考数据序列之间的核距离，选取距离当前空间道路交通数据序列的k个最近邻空间道路交通特征参考数据序列X_S(g_i·Δt)，1≤i≤k，c-1≤g_i≤(a×N_um-1)；

(3.3.2)从道路交通特征参考数据序列中，选取X_S(g_i·Δt)对应的目标路段的道路交通状态，记为S(g_i·Δt)，1≤i≤k，c-1≤i≤(a×N_um-1)；

(3.3.3)t_N时刻的道路交通状态通过下式获得：

$\overline{S\left(t_N\right)}=\underset{i=1}{\overset{k}{\Sigma }}{\mu }_i·S(g_i·\mathrm{\Delta t})$

其中，μ_i为第i个道路交通状态的权重值，其与当前空间道路交通数据序列与空间道路交通特征参考数据序列在特征空间的欧式距离成反比。

本发明的有益效果主要表现在：通过引入空间道路交通数据序列的核函数，将空间道路交通数据序列映射到高维空间，最后通过KNN匹配的方法最终实现道路交通状态的有效获取，其结果可以应用到交通状态分析、交通诱导及控制系统中。

附图说明

图1是道路交通特征参考序列的时间格式的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法，包括以下步骤：

(1)建立道路交通特征参考序列：

设计道路交通特征参考序列，提取具有代表性的道路交通数据，进行数据预处理，获取目标路段及与其空间关联路段的道路交通运行特征信息，并存入道路交通运行特征参考序列；

(2)构建空间道路交通数据序列核函数：

选取与目标路段空间关联路段的多维多粒度的道路交通数据序列，利用核函数将该道路交通数据序列映射到特征空间，构建空间道路交通数据序列的核函数；

(3)基于Kernel-KNN获取道路交通状态：

提取空间道路交通特征参考数据序列和当前空间道路交通数据序列，获取空间道路交通特征参考数据序列和当前空间道路交通数据序列在高维特征空间的欧式距离，通过KNN方法选取k个最近邻空间道路交通特征参考数据序列；从道路交通特征参考数据序列中，选取这k个最近邻空间道路交通特征参考数据序列对应的目标路段的道路交通状态，最后通过对这k个道路交通状态加权平均获取道路交通状态。

本实施例的基于Kernel-KNN匹配的道路交通状态获取方法，含有以下步骤：

(1)建立道路交通特征参考序列的步骤

步骤1.1：设计道路交通特征参考序列的结构

设定道路交通状态数据的采集周期是Δt，则道路交通信息模板的时间格式如图1所示。

道路交通特征参考序列的表格式如表1和表2所示。

表1道路交通特征参考序列信息表：

表1

表2道路交通特征参考序列描述表：

表2

步骤1.2：通过数据预处理，建立道路交通运行特征参考序列

获取目标路段和与其空间关联路段的具有代表性的道路交通状态历史数据，并进行数据预处理(主要针对个别异常和缺失数据的修复)，将经过数据预处理后的道路交通状态数据输入道路交通特征参考序列中，从而建立道路交通特征参考序列。

(2)构建空间道路交通数据序列核函数的步骤

选取多维多粒度的空间道路交通状态数据进行匹配。假设交通流检测器采集交通状态信息的时间间隔为Δt，单一交通流检测器每天采集的交通状态信息的数量为N_um。设定选取的时间维度为c×Δt，选取的道路交通参数粒度为d，与目标路段空间关联且数据可用的路段条数为r。则t时刻选取的空间道路交通数据序列X(t)为：

X(t)＝[S₁(t-(c-1)Δt) … S₁(t-Δt) S₁(t)

S₂(t-(c-1)Δt) … S₂(t-Δt) S₂(t)

                …

S_r(t-(c-1)Δt) … S_r(t-Δt) S_r(t)]^T

S_j(t)＝[S_j1(t) S_j2(t) … S_jd(t)]^T

其中，S₁(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]内第1条路段的道路交通状 态参数集，S₁(t-Δt)为时间段[t-Δt，t]内第1条路段的道路交通状态参数集，S₂(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]内第2条路段的道路交通状态参数集，S₂(t-Δt)为时间段[t-Δt，t]内第2条路段的道路交通状态参数集，S_r(t-(c-1)Δt)为时间段[t-(c-1)Δt，t-(c-1)Δt+Δt]内第r条路段的道路交通状态参数集，S_r(t-Δt)为时间段[t-Δt，t]内第r条路段的道路交通状态参数集，S_j(t)为时间段[t，t+Δt]内第j条路段的道路交通状态参数集，j＝1，2，…r，S_ji(t)为第j条路段在时间段[t，t+Δt]内的第i种道路交通状态参数值，i＝1，2，…d；

将空间道路交通数据序列X(t)通过非线性映射φ映射到高维特征空间得到φ(X(t))。则特征空间中t₁时刻和t₂时刻的空间道路交通数据序列高维特征的点积用Mercer核表示为：

K(X(t₁)，X(t₂))＝<φ(X(t₁))，φ(X(t₂))>

非线性映射φ由核函数的表达形式决定。

(3)基于空间交通特性Kernel-KNN获取道路交通状态的步骤

步骤3.1：不同道路交通数据序列的选取

在基于空间交通特性Kernel-KNN匹配获取道路交通状态的过程中，涉及到的数据集合主要有两个：空间道路交通特征参考数据序列和当前空间道路交通数据序列。

设定共选取a天的道路交通状态数据建立道路交通特征参考序列，则道路交通特征参考序列中每条路段交通状态信息的数量为a×N_um。定义道路交通特征参考序列中第h个数据点的时刻为(h·Δt)，c-1≤h≤(a×N_um-1)，该时刻的空间道路交通特征参考数据序列X_S(h·Δt)为：

X_S(h·Δt)＝[S₁(h·Δt-(c-1)Δt) … S₁(h·Δt-Δt) S₁(h·Δt)

S₂(h·Δt-(c-1)Δt) … S₂(h·Δt-Δt) S₂(h·Δt)

                …

S_r(h·Δt-(c-1)Δt) … S_r(h·Δt-Δt) S_r(h·Δt)]^T

S_j(h·Δt)＝[S_j1(h·Δt) S_j2(h·Δt) … S_jd(h·Δt)]^T

其中，S₁(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第1条路段的道路交通特征参考值，S₁(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第1条路段的道路交通特征参考值；S₂(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第2条路段的道路交通特征参考值，S₂(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第2条路段的道路交通特征参考值；S_r(h·Δt-(c-1)Δt)为时间段[h·Δt-(c-1)Δt,h·Δt-(c-1)Δt+Δt]内第r条路段的道路交通特征参考值，S_r(h·Δt-Δt)为时间段[h·Δt-Δt,h·Δt]内第r条路段的道路交通特征参考值；S_j(h·Δt)为时间段[h·Δt,h·Δt+Δt]内第j条路段的道路交通特征参考值，j＝1，2，…r，S_ji(h·Δt)为第j条路段在时间段[h·Δt，(h+1)Δt]内的第i种道路交通状态参数参考值，i＝1，2，…d；c-1≤h≤(a×N_um-1)；

t_N为当前时间刻度，则当前时刻选取的空间道路交通数据序列X(t_N)为：

X(t_N)＝[S₁(t_N-(c-1)Δt) … S₁(t_N-Δt) S₁(t_N) 

S₂(t_N-(c-1)Δt) … S₂(t_N-Δt) S₂(t_N) 

                …

S_r(t_N-(c-1)Δt) … S_r(t_N-Δt) S_r(t_N)]^T

S_j(t_N)＝[S_j1(t_N) S_j2(t_N) … S_jd(t_N)]^T

其中，S₁(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第1条路段的道路交通状态参数集，S₁(t_N-Δt)为时间段[t_N-Δt，t_N]内第1条路段的道路交通状态参数集，S₂(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第2条路段的道路交通状态参数集，S₂(t_N-Δt)为时间段[t_N-Δt，t_N]内第2条路段的道路交通状态参数集，S_r(t_N-(c-1)Δt)为时间段[t_N-(c-1)Δt,t_N-(c-1)Δt+Δt]内第r条路段的道路交通状态参数集， S_r(t_N-Δt)为时间段[t_N-Δt，t_N]内第r条路段的道路交通状态参数集，S_j(t_N)为时间段[t_N，t_N+Δt]内第j条路段的道路交通状态参数集，j＝1，2，…r，S_ji(t_N)为第j条路段在时间段[t_N，t_N+Δt]内的第i种道路交通状态参数值，i＝1，2，…d；

步骤3.2：空间道路交通数据序列特征空间中欧式距离的获取

通过Mercer核将多维多粒度的空间道路交通数据序列映射到特征空间，使得映射后同类样本接近，异类样本变远。基于核函数的定义，多维多粒度的空间道路交通数据已被映射到φ(X(t))，则空间道路交通特征参考数据序列X_S(h·Δt)和当前空间道路交通数据序列X(t_N)在特征空间中的欧式距离表示为：

$\left(\begin{array}{c}d(X_S(h·\mathrm{\Delta t}),X\left(t_N\right))=\sqrt{{\left|\right|\phi \left(X_S(h·\mathrm{\Delta t})\right)-\phi (X\left(t_N\right)\left|\right|}^2}=\\ \sqrt{<\phi \left(X_S(h·\mathrm{\Delta t})\right),\phi \left(X_S(h·\mathrm{\Delta t})\right)>-2<\phi \left(X_S(h·\mathrm{\Delta t})\right),\phi (X\left(t_N\right)>+<\phi (X\left(t_N\right),\phi (X\left(t_N\right)>}\\ =\sqrt{K(X_S(h·\mathrm{\Delta t}),X_S(h·\mathrm{\Delta t}))-2K(X_S(h·\mathrm{\Delta t}),X\left(t_N\right))+K(X\left(t_N\right),X\left(t_N\right))}\end{array}\right)$

步骤3.3：道路交通状态的获取

(3.3.1)利用距离公式，计算当前空间道路交通数据序列与空间道路交通特征参考数据序列之间的核距离，选取距离当前空间道路交通数据序列的k个最近邻空间道路交通特征参考数据序列X_S(g_i·Δt)，1≤i≤k，c-1≤g_i≤(a×N_um-1)。

(3.3.2)从空间道路交通特征参考数据序列中，选取X_S(g_i·Δt)对应的目标路段的道路交通状态，记为S(g_i·Δt)，1≤i≤k，c-1≤i≤(a×N_um-1)；

(3.3.3)t_N时刻的道路交通状态通过下式获得：

$\overline{S\left(t_N\right)}=\underset{i=1}{\overset{k}{\Sigma }}{\mu }_i·S(g_i·\mathrm{\Delta t})$

其中，μ_i为第i个道路交通状态的权重值，其与当前空间道路交通数据序列与空间道路交通特征参考数据序列在特征空间的欧式距离成反比。

实例：一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法，

包括如下步骤：

(1)选取实验数据 

考虑到实际道路交通状态数据的可用性和有效性，选取北京市二环路上典型路段的道路交通数据进行算法应用及验证。路段的具体信息如表3所示，表3为实验路段信息表：

表3

将HI7036b(首都图书馆->安定门桥)作为目标路段进行实验验证。

提取两周(2011.06.01-2011.06.14)的道路交通历史数据建立道路交通特征参考序列。道路交通状态数据的获取间隔Δt为2min。

将2011.06.18的道路交通数据作为训练数据集，进行算法参数设定。将2011.06.19、2011.06.25、2011.06.26的道路交通数据作为实验数据集，进行算法验证。

(2)核函数选取 

鉴于高斯核函数具有可分性和局部性，选用高斯核函数进行算法应用与验证。高斯核函数的基本形式如下：

$K(x,y)=e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2{\sigma }^2}}$

(3)参数确定

在基于高斯核函数获取道路交通状态的过程中，涉及的参数主要包括：σ值、时间维度c·Δt、k值。针对不同的道路交通状态数据集，获取最优的道路交通状态参数时对应的各个参数各不相同。这里所做的参数设定只是对参数对基于空间交通特性Kernel-KNN匹配的道路交通状态获取算法的大概影响分析。

由于这些参数对算法的精度各有影响，单独分析每个参数对算法精度的影响并不能确保算法的最优，因此在进行算法分析时应该同时考虑所有参数对该道路交通状态获取算法的影响。

引入归一化平均绝对误差对参数对算法精度的影响进行分析：

$\mathrm{NMAE}=\frac{\left|\overline{S(t_N+\mathrm{\Delta t})}\right|-S(t_N+\mathrm{\Delta t})}{S(t_N+\mathrm{\Delta t})}$

即对于不同的(σ,c,k)，存在与之对应的NMAE。故存在如下等式：

NMAE＝ω(σ,c,k)

即(σ,c,k)与NMAE存在某种分布关系ω，寻找NMAE最小的时对应的(σ,c,k)，即为最优参数设定过程。故可以得到如下模型：

Min  ω(σ,c,k)

Where  $\mathrm{NMAE}=\frac{\left|\overline{S(t_N+\mathrm{\Delta t})}\right|-S(t_N+\mathrm{\Delta t})}{S(t_N+\mathrm{\Delta t})}$

最终(σ,c,k)的取值可以通过道路交通状态历史数据的统计分析确定。

(4)实验结果

基于实验路段的数据提取和各参数的确定，对目标路段的道路交通状态进行估计。速度和流量作为能够最直观有效地反映道路交通状态的参数，本实验结果主要针对路段的运行速度值和统计流量值进行估计。为使实验结果具有对比性，将实验结果与基于简单历史数据获取道路交通状态数据以及基于KNN获取道路交 通状态数据的结果进行对比。

利用绝对误差e、百分比误差PE以及绝对误差的标准方差σ来检验算法精度，

e＝|S*-S|，PE＝|S^*-S|/S，

其中，S*是计算的交通状态参数值；v是实际的交通状态参数值；n为实验编号。 

所有实验路段2011.06.16-2011.06.29的交通状态获取结果的统计分析如下表所示。其中，e_ker、PE_ker是基于Kernel-KNN获取交通状态的绝对误差和百分比误差，σ_ker是其绝对误差的标准方差；e_KNN、PE_KNN是基于KNN获取交通状态的绝对误差和百分比误差，σ_KNN是其绝对误差的标准方差；e_sim、PE_sim是基于简单历史数据获取交通状态的绝对误差和百分比误差，σ_sim是其绝对误差的标准方差。

表4为速度获取结果统计：

表4

表5为流量获取结果统计：

表5。