基于时间序列的高速公路交通流量预测方法

摘要

一种基于时间序列的高速公路交通流量预测方法，包括选择一个时间标度，统计建立交通流量时间序列Q＝(x_i)的步骤；根据所选择的时间标度，自回归项个数p和移动平均项个数q的取值范围的步骤；求取自回归项个数p和移动平均项个数q的步骤；将最优自回归项个数p和移动平均项个数q，结合交通流量时间序列Q，采用极大似然估计进行拟合得到最优ARMA模型，得到历史测量值的权值参数和历史误差值的权值参数的步骤；以及求取不同时间标度下的交通流量的预测序列的步骤。本发明所的时间序列模型能更好的满足高速公路各类型流量的预测需求，提高了预测的普适性。运算简单，提高了预测的效率和速度，满足了高速公路交通预测的工程需求。

主权项

一种基于时间序列的高速公路交通流量预测方法，其特征在于，包括步骤1：选择一个时间标度，统计建立交通流量时间序列Q＝(x_i),其中i＝1,2,...,n；所述时间标度为月、日或小时；步骤2：根据所选择的时间标度，设定自回归项个数p和移动平均项个数q的取值范围：当时间标度为月，p、q的取值范围为1至3；当时间标度为日，p、q的取值范围为1至5；当时间标度为小时，p、q的取值范围为1至10；步骤3：求取最优自回归项个数p和移动平均项个数q：任意选取自回归项个数p和移动平均项个数q的一种组合，结合交通流量时间序列Q，采用极大似然估计进行拟合得到ARMA模型，根据ARMA模型计算出赤池信息量准则AIC值与贝叶斯信息准则BIC值；以赤池信息量准则AIC值且贝叶斯信息准则BIC值为最小时所对应的自回归项个数p和移动平均项个数q为最优自回归项个数p和移动平均项个数q；步骤4：将最优自回归项个数p和移动平均项个数q，结合交通流量时间序列Q，采用极大似然估计进行拟合得到最优ARMA模型，其自回归项即历史测量值的权值参数为移动平均项即历史误差值的权值参数为θ₁,θ₂,...,θ_q；步骤5：求取不同时间标度下的交通流量的预测序列其中i＝1,2,3,...,n,n+1；包括(1)当时间标度为月：a.当i＝1时，${\hat{x}}_i=\frac{\underset{k=1}{\overset{n}{\Sigma }}{x}_k}{n},$预测误差${ϵ}_i=x_1-{\hat{x}}_1;$b.当i≥2时，其中，当i≤k时，令x_i‑k＝0；当i≤j时，令ε_i‑j＝0；当i＞j时，预测误差(2)当时间标度为日：a.当i＝1时，${\hat{x}}_i=\frac{\underset{k=1}{\overset{n}{\Sigma }}{x}_k}{n},$预测误差${ϵ}_i=x_1-{\hat{x}}_1;$b.当2≤i＜14时，其中，当i≤k时，令x_i‑k＝0；当i≤j时，令ε_i‑j＝0；当i＞j时，预测误差c.当i≥14时，其中，预测误差${ϵ}_i=x_i-{\hat{x}}_i;$调节权值系数$\rho =\frac{\underset{k=i-6}{\overset{i-1}{\Sigma }}{x}_k}{\underset{j=i-13}{\overset{i-8}{\Sigma }}{x}_j};$(3)当时间标度为小时：a.当i＝1时，${\hat{x}}_i=\frac{\underset{k=1}{\overset{n}{\Sigma }}{x}_k}{n},$预测误差${ϵ}_i=x_1-{\hat{x}}_1;$b.当2≤i≤168时，其中，当i≤k时，令x_i‑k＝0；当i≤j时，令ε_i‑j＝0；当i＞j时，预测误差c.当i＞168时，其中，预测误差${ϵ}_i=x_i-{\hat{x}}_i;$当时，令调节权值系数ρ＝1；当时，令调节权值系数$\rho =\frac{\underset{k=1}{\overset{7}{\Sigma }}{x}_{i-24\times k}}{\underset{j=1}{\overset{7}{\Sigma }}{x}_{i-24\times j-1}}.$