一种面向时间序列的制造技术

本发明专利技术公开了一种面向时间序列的

【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]一种面向时间序列的
ARIMA
模型对城市短时交通流预测的方法，包括以下步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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
。
[0010]进一步的，步骤
S1
包括以下内容：
[0011]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
。
[0012]进一步的，步骤
S2
包括以下内容：
[0013]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
。
[0014]进一步的，步骤
S3
包括以下内容：
[0015]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；
[0016]步骤
S3
‑2：平稳化处理：对原始时间序列进行一阶或多阶差分，即计算当前观测值与前一个观测值之间的差，差分可以减少趋势
、
季节性的非平稳性，从而使序列更加平稳；
[0017]步骤
S3
‑3：对差分后的序列检验其平稳性，根据
p
值的结果，判断该差分后的序列是否平稳，非平稳继续进行步骤
S3
‑2，平稳从而确定
ARIMA(p,d,q)
模型的差分
d。
[0018]进一步的，步骤
S4
包括以下内容：
[0019]步骤
S4
‑1：确定
ARIMA(p,d,q)
模型的阶数，通过绘制时间序列的自相关
ACF
函数和偏自相关函数
PACF
图，进而观察
ACF
和
PACF
图的截尾情况来初步估计自回归阶数
p
和滑动平均阶数
q
，进一步使用网格搜索法来确定模型的最佳阶数，进而确认选择合适的
ARIMA
模型；
[0020]步骤
S4
‑2：选择好确认的
ARIMA
模型后，用目标交叉口连续五天的数据进行训练，训练完毕后，用目标交叉口后一天的过车数据用来进行静态预测，最终对预测的效果进行评价
。
[0021]进一步的，所述网格搜索法步骤如下：
[0022]步骤
S4
‑1‑1：定义参数空间：确定每个参数的可能取值范围；
[0023]步骤
S4
‑1‑1：生成参数组合：使用参数空间中可能取值组合生成所有可能的参数组合；
[0024]步骤
S4
‑1‑3：拟合和评估模型：对于每个参数组合使用训练数据拟合
ARIMA
模型，评估拟合的模型在验证集上的性能，使用信息准则
AIC
评估指标；
[0025]步骤
S4
‑1‑4：选择最佳模型：根据评估结果，选择具有最低评估指标
AIC
的参数组合作为最佳模型参数
。
[0026]本专利技术由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
[0027]本专利技术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，通过使用
ARIMA
模型可以提高短期交通量的预测能力，通过建立时间序列的模式和趋势，能够捕捉到数据的周期性和季节性变化，从而在短期内提供相对准确的预测结果
。
附图说明
[0028]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍
。
附图中：
[0029]图1是本专利技术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的流程图；
[0030]图2是本专利技术目标交叉口连续五天内每五分钟的交通量折线图；
[0031]图3是本专利技术一阶差分后的本文档来自技高网...

【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；...

【专利技术属性】
技术研发人员：王浩，张博博，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：