[发明专利]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

1.一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_tln(σt2)=α0+Σi=2μαi[|at-iσt-i|-u]+Σi=1μγi+Σj=1vβjln(σt-j2)]]>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(ϵt)=n·exp{-12|ϵt/λ|n}λ·21+1n·Γ(1n)]]>λ=2-1nΓ(1/n)Γ(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_tln(σt2)=α0+Σi=1μαi[(|at-iσt-i|-2π)+γiat-iσt-i]+Σj=1vβjln(σt-j2)]]>其中，E|ϵt|=2π;]]>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。