改进的广义回归神经网络：基于k近邻的交通预测优化

本研究聚焦于广义回归神经网络（Generalized Regression Neural Network, GRNN）的改进及其在交通预测领域的实际应用。GRNN是一种基于实例的学习方法，其原始版本在处理非线性和复杂数据时表现良好，但可能会受到数据波动性大的影响，导致选择出的平滑因子不尽理想。为了克服这一问题，研究人员引入了k近邻（K-Nearest Neighbors, KNN）算法来辅助优化平滑因子的选择。 传统的GRNN方法通常依赖单一的均方误差（Mean Squared Error, MSE）作为性能评价指标，而新的研究则将这种方法扩展，不仅考虑单个误差值，还通过比较一组MSE来决定最优平滑因子。KNN法在此过程中起到了关键作用，它通过寻找训练数据集中与测试数据相似的邻居，这些邻居的网络性能可以作为参考，帮助确定哪种平滑因子能更好地拟合数据，从而提高预测精度。 这种改进的GRNN算法的主要优势在于它能够在保持预测效果的前提下，更稳健地应对数据的不确定性。通过实证研究，特别是在交通数据预测上，结果显示采用k近邻方法选择的最优平滑因子显著降低了网络预测误差，证明了该方法的有效性和实用性。因此，这项工作对于提升交通流量预测的准确性和鲁棒性具有重要意义，也为其他领域，如天气预报、经济预测等，提供了有益的借鉴。 该研究由伊良忠教授、章超助教以及裴峥共同完成，他们分别来自四川警察学院计算机科学与技术系、道路交通管理系以及西华大学数学与计算机学院。他们的研究成果得到了国家自然科学基金和四川省科技支撑计划项目的资金支持。文章强调了改进的GRNN方法的关键要素——KNN策略和对平滑因子选择的优化，以及其在实际应用中的成功验证，表明了其在解决复杂数据预测问题上的潜力。