当前位置: 首页 > 专利查询>中南大学专利>正文

基于SARIMA-NAR组合模型的道路月度交通量预测方法技术

技术编号:30406805 阅读:8 留言:0更新日期:2021-10-20 11:13
本发明专利技术公开了一种基于SARIMA

【技术实现步骤摘要】
基于SARIMA

NAR组合模型的道路月度交通量预测方法


[0001]本专利技术属于道路交通量预测领域,涉及一种基于SARIMA

NAR组合模型的道路月度交通量预测方法。

技术介绍

[0002]交通量是衡量路网性能状态的重要指标和道路划分等级的关键依据,其不仅体现了区域内的经济水平和城乡发展趋势,还为道路的规划设计、红绿灯的调配、交通控制与政策调整等提供了丰富信息参照。
[0003]目前,基于时间序列的交通量预测研究,主要包含马尔科夫模型、遗传算法、神经网络、小波分解与重构、灰色系统理论、ARIMA模型、支持向量回归等方法。但是,单一的预测模型无法准确捕捉到复杂的交通量时间序列的全部信息,具有片面、可靠度低等不足。基于此,很多学者展开了关于组合预测模型的研究,。但是现有的交通量组合预测方法主要针对于短期预测,季节性波动研究较少;并且选用的静态神经网络没有记忆功能,仅仅依赖于当前的输入,对于时间序列的预测能力远远低于动态神经网络。

技术实现思路

[0004]为了解决上述道路月度交通量预测方法所存在的问题,本专利技术提出一种基于SARIMA

NAR组合模型的道路月度交通量预测方法。该方法通过时间序列对月度交通量进行预测,预测结果具有较高的有效性和可靠度,预测过程也更加便捷、高效。
[0005]本专利技术解决其技术问题所采用的技术方案:一种基于SARIMA

NAR组合模型的道路月度交通量预测方法,包括以下步骤:1)收集某道路历年的月度交通量数据,建立道路月度交通量时间序列;2)将月度交通量时间序列2)将月度交通量时间序列运用SARIMA模型进行线性预测,得到线性结果运用SARIMA模型进行线性预测,得到线性结果;3)由SARIMA模型所得线性结果所得线性结果和原始序列和原始序列计算残差计算残差,提取残差序列;4)利用残差序列构建NAR模型,进行非线性预测,获取非线性结果4)利用残差序列构建NAR模型,进行非线性预测,获取非线性结果;5)叠加线性结果5)叠加线性结果和非线性结果和非线性结果,获得最终月度交通量的预测结果,获得最终月度交通量的预测结果;6)通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价。
[0006]进一步地,在所述步骤2)中,SARIMA模型,即季节性ARIMA模型,是在ARIMA模型的基础上增加季节性参数项而形成的模型,通过该模型可以对具有季节性特点的数据进行建模预测。SARIMA (p, d, q) (P, D, Q)
m
模型的表达式如下:

(1)式(1)中,p为非季节自回归阶数,d为非季节差分阶数,q为非季节移动平均阶数,P为季节自回归阶数,D为季节差分阶数,Q为季节移动平均阶数,为季节自回归阶数,D为季节差分阶数,Q为季节移动平均阶数,为自回归项系数,为自回归项系数,为移动平均项系数,L为滞后算子,m为周期数(月度数据m=12,季度数据m=4),移动平均项系数,L为滞后算子,m为周期数(月度数据m=12,季度数据m=4),为白噪声序列。
[0007]其中,SARIMA模型的建模过程主要为:第一步,将具有季节性的非平稳月度交通量时间序列进行季节性和非季节性差分处理;第二步,差分序列进行单位根(ADF)检验;第三步,比较序列ADF检验的t统计量和p值,确定非季节差分阶数d和季节差分阶数D;第四步,分别绘制自相关(ACF)图和偏自相关(PACF)图;第五步,根据贝叶斯信息度量(BIC)确定最终的SARIMA模型。
[0008]进一步地,在所述步骤3)中,残差的计算公式为:
ꢀꢀ
(2)进一步地,在所述步骤4)中,NAR模型是非线性自回归模型,是一种专门针对时间序列进行分析处理的动态神经网络模型,该模型将当前时期输出,重新指向元神经网络层的输入端,为下一个时期的输出提供依据和参考。NAR动态神经网络所构建其数学方程如下: (3)式(3)中,d为延时阶数,y(t)为当前所求预测值。
[0009]其中,NAR模型的建模过程主要为:第一步,将所述步骤3)中的残差序列进行Max

Min归一化处理,归一化的转换公式见式(4);第二步,通过比较模型在多次训练后的均方误差(MSE)及其稳定性,确定最优模型。
[0010]ꢀꢀꢀꢀꢀ
(4)式(4)中,式(4)中,为归一化后的序列值,x为原始序列,为归一化后的序列值,x为原始序列,、、分别为原始序列的最大值和最小值。
[0011]进一步地,在所述步骤5)中,SARIMA模型和NAR动态神经网络叠加,其数学表达式为: (5)式(5)中,式(5)中,、、、、分别为SARIMA

NAR组合模型、SARIMA模型、NAR模型的预测结果。结果。表示线性成分,表示线性成分,表示非线性成分。
[0012]进一步地,在所述步骤6)中,平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)评价指标的计算公式如下:

(6) (7) (8)本专利技术提供的技术方案可以产生的有益效果具体为:以线性与非线性成分组合为基础构建的SARIMA

NAR组合模型,其先对月度交通量时间序列建立SARIMA模型,后利用SARIMA模型残差进行NAR神经网络预测,再将二者结果叠加;基于SARIMA

NAR组合模型的道路月度交通量预测方法针对季节性交通量时间序列建模,预测结果具有较高的有效性和可靠度,预测过程便捷、高效,不仅丰富了道路交通领域的理论研究体系,还为道路规划设计、交通控制与政策调整等提供丰富的信息参照。
附图说明
[0013]图1为基于SARIMA

NAR组合模型的道路月度交通量预测方法的具体流程图。
[0014]图2为SARIMA模型、NAR模型和本专利技术的SARIMA

NAR模型月度交通量预测结果的比较图。
具体实施方式
[0015]为了更加清晰的阐述本专利技术的技术方案及其优势,下面将结合附图对本专利技术进行更加详尽的说明。
[0016]根据图1所示,一种基于SARIMA

NAR组合模型的道路月度交通量预测方法,包括以下步骤:1)收集某道路历年的月度交通量数据,建立道路月度交通量时间序列2)将月度交通量时间序列量时间序列运用SARIMA模型进行线性预测,得到线性结果运用SARIMA模型进行线性预测,得到线性结果SARIMA模型,即季节性ARIMA模型,是在ARIMA模型的基础上增加季节性参数项而形成的模型,通过该模型可以对具有季节性特点的数据进行建模预测。SARIMA (p, d, q) (P, D, Q)
m
模型的表达式如下: (1)式(1)中,p为非季节自回归阶数,d为非季节差分阶数,q为非季节移动平均阶数,P为本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于SARIMA

NAR组合模型的道路月度交通量预测方法,其特征在于,包括以下步骤:1)收集某道路历年的月度交通量数据,建立道路月度交通量时间序列;2)将月度交通量时间序列2)将月度交通量时间序列运用SARIMA模型进行线性预测,得到线性结果运用SARIMA模型进行线性预测,得到线性结果;3)由SARIMA模型所得线性结果3)由SARIMA模型所得线性结果和原始序列和原始序列计算残差计算残差,提取残差序列;4)利用残差序列构建NAR模型,进行非线性预测,获取非线性结果4)利用残差序列构建NAR模型,进行非线性预测,获取非线性结果;5)叠加线性结果5)叠加线性结果和非线性结果和非线性结果,获得最终月度交通量的预测结果,获得最终月度交通量的预测结果;6)通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价。2.根据权利1所述的基于SARIMA

NAR组合模型的道路月度交通量预测方法,其特征在于:所述步骤2)中,SARIMA模型,即季节性ARIMA模型,是在ARIMA模型的基础上增加季节性参数项而形成的模型,通过该模型可以对具有季节性特点的数据进行建模预测;SARIMA (p, d, q) (P, D, Q)
m
模型的表达式如下:(1)式(1)中,p为非季节自回归阶数,d为非季节差分阶数,q为非季节移动平均阶数,P为季节自回归阶数,D为季节差分阶数,Q为季节移动平均阶数,节自回归阶数,D为季节差分阶数,Q为季节移动平均阶数,为自回归项系数,为自回归项系数,为移动平均项系数,L为滞后算子,m为周期数(月度数据m=12,季度数据m=4),平均项系数,L为滞后算子,m为周期数(月度数据m=12,季度数据m=4),为白噪声序列。3.根据权利2所述的SARIMA模型,其特征在于:SARIMA模型的建模过程主要为:第一步,将具有季节性的非平稳月度交通量时间序列进行季节性和非季节性差分处理;第二步,差分序列进行单位根(ADF)检验;第三步,比较序列ADF检验的t统计量和p值,确定非...

【专利技术属性】
技术研发人员:汪优贾茹雪叶雲霞赵晓薇
申请(专利权)人:中南大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1