第３６卷第１期２０２３年０２月青岛大学学报（自然科学版）ＪＯＵＲＮＡＬＯＦＱＩＮＧＤＡＯＵＮＩＶＥＲＳＩＴＹ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｖｏｌ．３６Ｎｏ．１Ｆｅｂ．２０２３文章编号：１００６－１０３７（２０２３）０１－００４２－０７ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－１０３７．２０２３．０１．０７基于Ｋ－ｍｅａｎｓ聚类与ＰＬＳ回归模型的交通速度短时预测贾秀燕，孙秋霞，李勍（山东科技大学数学与系统科学学院，青岛２６６５９０）摘要：为实现对交通流局部特征的有效提取，提高交通速度预测模型的可解释性，提出基于Ｋ－ｍｅａｎｓ聚类与偏最小二乘（ＰａｒｔｉａｌＬｅａｓｔＳｑｕａｒｅｓ，ＰＬＳ）回归的交通速度短时预测模型。模型采用时空相关矩阵挖掘路网中相邻路段交通速度之间的关联性，利用Ｋ－ｍｅａｎｓ聚类算法划分历史数据集，并选取实测出租车ＧＰＳ数据验证模型对交通速度短时预测的准确性。实验结果表明，与ＡＲＩＭＡ、ＰＬＳ回归和ＬＳＴＭ模型相比，该模型的预测误差减少了约３０％。关键词：城市交通；速度短时预测；Ｋ－ｍｅａｎｓ聚类；偏最小二乘回归；时空相关矩阵中图分类号：Ｕ１２１文献标志码：Ａ收稿日期：２０２２－０９－０９基金项目：山东省自然科学基金面上项目（批准号：ＺＲ２０２１ＭＦ１１３）资助。通信作者：孙秋霞，女，博士，副教授，主要研究方向为交通大数据分析与建模。Ｅ－ｍａｉｌ：ｑｉｕｘｉａｓｕｎ＠ｓｄｕｓｔ．ｅｄｕ．ｃｎ。随着中国机动化进程不断加快，高峰出行困难成为大中城市所普遍面临的难题。作为智能交通运输系统的一项重要功能，交通控制与诱导调控策略的制定主要依赖于交通速度预测的结果。交通速度预测按照预测时间窗的长度通常划分为长时预测和短时预测，长时预测的时间步长通常以日、月或年计算，短时预测更倾向于对交通状态的微观描述，观测时间通常小于１５ｍｉｎ［１－２］。预测短时交通速度，实时评价交通状况，能够起到疏导交通拥堵、减少环境污染和驾乘人员等待时间、提高交通参与者的安全、为驾驶人提供有效出行信息服务的作用。国内外学者利用各学科领域内的知识开发了各种用于短时交通速度预测的方法，这些方法大致分为两大类：经典方法和基于深度学习的方法。经典预测方法包括统计方法和传统的机器学习方法［３］。统计方法假设未来数据与历史数据具有相似性，通过建立数据驱动的统计模型对交通速度分...
