交通流短时预测方法

摘要

本发明公开了一种交通流短时预测方法，包括如下步骤：在选定的路段上设置检测器，按照预设的时间周期采集交通流数据；预处理获得的交通流数据，判断车流量和速度是否处于预期范围；建立交通流短时预测模型；检验上述模型是否符合平稳性要求，如果不符合，在进行差分处理，直到其符合平稳性要求；对符合平稳性要求的模型进行参数估计；采用上述模型预测交通流，并评价采用相关评价指标对其进行评价。通过线性ARIMA模型和非线性EGARCH-M模型的结合，本发明能够更好地追踪交通流的数据特征，控制异常数据带来的不利影响，具有更高的预测精度和可靠性，在各项评价指标方面优于现有方法。

主权项

一种交通流短时预测方法，其特征在于，包括如下步骤：S1、在选定的路段上设置检测器，按照预设的时间周期采集交通流数据；S2、预处理获得的交通流数据，判断车流量和速度是否处于预期范围；S3、建立交通流短时预测模型；S31、建立ARIMA模型：其中，X_t为时间序列；X_t‑i表示相邻为i的时间序列；p和q分别为AR和MA项；和θ_j是未知系数；ε_t‑j为t‑j时的随机误差；i＝1,2,…,p，j＝0,1,…,q；S32：建立ARIMA‑EGARCH‑M复合模型：$▿X_t=X_t-X_{t-1},$a_t＝σ_tε_t$ln\left({\sigma }_t^2\right)={\alpha }_0+\underset{i=1}{\overset{\mu }{\Sigma }}{\alpha }_i\left[\right|\frac{a_{t-i}}{{\sigma }_{t-i}}|-u]+\underset{i=1}{\overset{\mu }{\Sigma }}{\gamma }_i+\underset{j=1}{\overset{v}{\Sigma }}{\beta }_{j}ln\left({\sigma }_{t-j}^2\right)$其中，a_t＝σ_tε_t，σ_t、ε_t分别为t时所对应的方差和随机误差；为差分符号；d为差分阶数；γ_i表示非对称效应；a_t‑i＝σ_t‑iε_t‑i，σ_t‑i、ε_t‑i分别为t‑i所对应的方差和随机误差；为待定参数；μ和ν分别为GARCH和ARCH项；X_t‑1表示与X_t相邻的时间序列；a_t‑j＝σ_t‑jε_t‑j，σ_t‑j、ε_t‑j分别为t‑j所对应的方差和随机误差；α₀,α_i和β_j均为未知系数；i＝1,2,…,μ，j＝1,2,…,ν；S33：令ε_t服从广义误差分布，其密度函数为：$f\left({ϵ}_t\right)=\frac{n·\exp \{-\frac{1}{2}{\left|{ϵ}_t/\lambda \right|}^n\}}{\lambda ·2^{1+\frac{1}{n}}·\Gamma \left(\frac{1}{n}\right)}$$\lambda =2^{-\frac{1}{n}}\sqrt{\frac{\Gamma (1/n)}{\Gamma (3/n)}}$其中，Γ为伽马函数；n为描述尾厚的分布参数；λ为中间变量；S34：建立ARIMA‑EGARCH‑M‑GED模型：$▿X_t=X_t-X_{t-1},$a_t＝σ_tε_t$\ln \left({\sigma }_t^2\right)={\alpha }_0+\underset{i=1}{\overset{\mu }{\Sigma }}{\alpha }_i\left[\left(\left|\frac{a_{t-i}}{{\sigma }_{t-i}}\right|-\sqrt{\frac{2}{\pi }}\right)+{\gamma }_i\frac{a_{t-i}}{{\sigma }_{t-i}}\right]+\underset{j=1}{\overset{v}{\Sigma }}{\beta }_j\ln \left({\sigma }_{t-j}^2\right)$其中，$E\left|{ϵ}_t\right|=\sqrt{\frac{2}{\pi }};$S4、检验上述模型是否符合平稳性要求，如果不符合，在进行差分处理，直到其符合平稳性要求；S5、对符合平稳性要求的模型进行参数估计；S6、采用上述模型预测交通流，并评价采用相关评价指标对其进行评价。