The invention discloses a short-term vehicle usage forecasting method based on ARMA model. First, the historical vehicle usage data are cleaned, then the attributes are constructed, and then the order of the ARMA model is determined by taking the week as a periodic index, and then the ARMA model is fitted with the historical vehicle usage data. The ARMA model is obtained, and the forecast of vehicle usage in the next few days is obtained through the ARMA model, which provides guidance for vehicle operators. The ARMA model for forecasting vehicle usage in the invention is also constantly adjusted and optimized to ensure the validity of the ARMA model and has practical guiding value for short-term forecasting vehicle usage. Meanwhile, the ARMA model reliability is evaluated by the mean square error between the forecasting result of the model and the historical real data, so as to quantify the simulation of the model. It is good or bad to realize scientific adjustment of model parameters.
【技术实现步骤摘要】
一种基于ARMA模型的短期车辆使用量预测方法
本专利技术属于概率统计及短期预测
,具体涉及一种基于ARMA模型的短期车辆使用量预测方法。
技术介绍
车辆使用量是评价用户使用车辆频次的重要指标,可以直观反映出区域内对车辆需求的强弱程度,也是用于指导运营商对该区域内车辆投放量的主要依据来源,因此预测出某一区域短期内的车辆使用量对运营商有着实际的指导价值。自回归滑动平滑模型(Autoregressivemovingaveragemodel,ARMA),也称为Box-Jenkins模型,它是由自回归模型(Autoregressivemodel,AR)和移动平均模型(Movingaveragemodel,MA)结合而成,是一种经典的时间序列分析方法,已被广泛应用于经济分析和市场预测领域。AR模型模拟的是目前的观测水平会取决于其滞后的观测水平,它反映了经济变量的当前值与其过去值的关系。AR模型是仅用它的过去值及随机扰动向所建立起来的模型。因此,p阶AR模型的定义AR(p)可见公式(1):其中:如果则称为中心化AR(p)模型。由公式(1)可知,Xt的取值是前p期Xt-1,Xt-2,…,Xt-p的多元线性回归,意味着当前取值受过去p期序列之的影响,误差项εt代表的是零均值白噪声序列。MA模型描述的是自回归部分的误差累计,它反映了经济变量当前值与当前及过去误差项的关系。因此,q阶MA模型的定义MA(q)可见公式(2):其中:c是Yt的均值,εt是当期的随机干扰误差项即零均值白噪声序列,θi是模型的参数,εt-i是前i期的扰动项,因此当期的随机干扰是前q期的随机扰动εt ...
【技术保护点】
1.一种基于ARMA模型的短期车辆使用量预测方法,包括如下步骤:(1)采集获取大量运营车辆的历史使用数据,包括车辆GPS数据、用户租用时间、车辆租用频次以及车辆运营数据,保留其中距离当前时间一年以内的历史使用数据加入至数据库中;(2)对数据库中的历史使用数据进行预处理,包括对缺失值和异常值的处理、数据清洗、属性构造以及周期性分析;(3)对预处理后车辆的历史使用数据进行平稳性检验和白噪声检验;(4)根据自相关函数图像和偏自相关函数图像确定ARMA模型的自回归项阶数p和移动平均项阶数q,进而使用通过检验后的车辆历史使用数据对ARMA模型进行训练拟合;(5)最后,利用训练拟合完成得到的ARMA模型对未来短期内的车辆使用量进行预测。
【技术特征摘要】
1.一种基于ARMA模型的短期车辆使用量预测方法,包括如下步骤:(1)采集获取大量运营车辆的历史使用数据,包括车辆GPS数据、用户租用时间、车辆租用频次以及车辆运营数据,保留其中距离当前时间一年以内的历史使用数据加入至数据库中;(2)对数据库中的历史使用数据进行预处理,包括对缺失值和异常值的处理、数据清洗、属性构造以及周期性分析;(3)对预处理后车辆的历史使用数据进行平稳性检验和白噪声检验;(4)根据自相关函数图像和偏自相关函数图像确定ARMA模型的自回归项阶数p和移动平均项阶数q,进而使用通过检验后的车辆历史使用数据对ARMA模型进行训练拟合;(5)最后,利用训练拟合完成得到的ARMA模型对未来短期内的车辆使用量进行预测。2.根据权利要求1所述的短期车辆使用量预测方法,其特征在于:所述步骤(2)中对缺失值和异常值的处理,包括对于个别日期存在数据缺失的情况,需要对这些日期进行数据填充即将这些日期对应的车辆使用量置为0,同时对于个别日期存在数据异常的情况,同样将这些日期对应的车辆使用量置为0。3.根据权利要求1所述的短期车辆使用量预测方法,其特征在于:所述步骤(2)中的数据清洗即对历史使用数据中无效的数据进行滤除,保留关键的车辆运营数据;属性构造即根据历史使用数据统计出车辆每日租用量和每月租用量两个新属性;周期性分析即以一个星期作为周期,分析车辆租用量是否存在周期性变化。4.根据权利要求1所述的短...
【专利技术属性】
技术研发人员:杨国青,吕攀,王杰,杨晓声,李红,吴朝晖,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。