【技术实现步骤摘要】
一种面向时间序列的ARIMA模型对城市短时交通流预测的方法
[0001]本专利技术属于机器学习领域,特别涉及一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法
。
技术介绍
[0002]随着社会经济的快速发展和人民生活水平的不断提高,我国的机动化进程不断加快,机动车消费需求旺盛,汽车保有量的日益增加,这也导致了城市交通状况中拥堵已成为常态,交通道路堵塞日益严重
。
为了长期解决交通拥堵问题,需要采用智能交通系统来有效疏通交通流
。
在这个过程中,短时交通流预测扮演着至关重要的角色,它能够提供准确的预测结果,从而帮助交通管理部门制定科学合理的交通控制策略,实现交通流量的平衡和优化,有效地缓解交通拥堵
。
然而,在当前短时交通流量预测研究的方法上,研究学者开发了一系列的预测模型,例如自回归模型和自回归移动平均模型等,但这些模型没有考虑到交通流的不确定性,无法有效应对外部因素的干扰
。
随着研究深入,人们意识到需要考虑交通流的不确定性和非线性特点,因此基于
ARIMA
模型的短时交通流预测方法得到了广泛应用
。
技术实现思路
[0003]为了克服现有技术中的不足,本专利技术提供一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法
。
[0004]为了达到上述专利技术目的,解决其技术问题所采用的技术方案如下:
[0005]一种面向时间序列 ...
【技术保护点】
【技术特征摘要】
1.
一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法,其特征在于,包括以下步骤:步骤
S1
:数据收集:收集城市道路交叉口电子警察拍摄到的交通流量数据;步骤
S2
:数据预处理:把数据统计时间间隔设为5分钟,得到五分钟内的通过道路的交通量;步骤
S3
:时间序列分析:对预处理后的数据进行时间序列分析,检验时间序列的平稳性,对非平稳序列进行平稳化处理;步骤
S4
:构建
ARIMA(p,d,q)
模型,对短时城市交通量进行预测拟合
。2.
根据权利要求1所述的一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法,其特征在于,步骤
S1
包括以下内容:数据的来源是道路上的电子警察系统拍照所检测出来的车辆车牌信息
、
拍照的时间戳,电子警察系统在道路的合适位置安装检测设备,当车辆驶过停车线时监测设备会持续地采集交通相关数据;摄像头可以捕捉到车辆的车牌信息和车辆被拍时行驶的时间戳;获取安装与道路交叉口的电子警察所采集的过车数据,在目标交叉口连续五天的过车数据
。3.
根据权利要求1所述的一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法,其特征在于,步骤
S2
包括以下内容:对电子警察系统获得的数据进行预处理,去除数据中的异常值和缺失值,采集的过车数据是按照时间戳排序,设置统计时间间隔为5分钟,把过车时间序列数据处理成目标交叉口连续五天内每5分钟的过车时间序列数据
。4.
根据权利要求1所述的一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法,其特征在于,步骤
S3
包括以下内容:步骤
S3
‑1:平稳性检验:通过绘制时间序列的折线图,观察是否存在趋势或周期性变化,如果有明显的上升或下降趋势,可能是非平稳的,由可视化检查可以初步判断时间序列的平稳性;进一步检验需要对时间序列进行单位根
ADF
检验,该检验用于检验序列是否具有单位根,即是否非平稳,如果
p
值小于某个显著性水平
(
通常是
0.05)
,则可以拒绝原假设,认为序列是平稳的;...
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。