原文传递
基于ARMA-SVR的短时交通流量预测模型研究
| 题名： | 基于ARMA-SVR的短时交通流量预测模型研究 |
| 作者： | 王博文;王景升;朱茵;王统一;张泽有 |
| 作者单位： | 中国人民公安大学;山东科技大学 |
| 关键词： | 智能交通;交通流量预测模型;自回归滑动平均模型;SVR模型;智能交通 |
| 摘要： | 短时交通流量预测是辅助智能交通系统进行决策，解决拥堵问题，提高道路通行能力的关键任务。为提高模型对于小样本数据的拟合效果及速度，并充分挖掘交通流序列中存在的线性与非线性关系，将对于线性数据具备良好拟合效果，并且时间复杂度较低的自回归滑动平均（ARMA）模型与对于非线性、小样本数据具有计算准确率高、时间复杂度低等优势的支持向量回归（SVR）模型进行组合，提出一种残差优化组合预测模型。采用赤池信息准则对ARMA模型进行定阶，实现交通流量的线性拟合，并得到相应的残差序列。然后将重构后的残差序列作为SVR模型的输入，对残差序列进行预测，以补偿交通流量数据中的非线性变化。将ARMA、SVR、长短期记忆网络、人工神经网络及ARMA-SVR加权组合模型作为对照组进行模型评价。结果表明:样本的时间间隔分别为5，10，15min时，ARMA-SVR残差优化组合模型的均方根误差（RMSE）及平均绝对误差（MAE）均小于对照组模型，RMSE降低约0.378-7.063，MAE降低约0.054-0.802；ARMA-SVR残差优化组合模型在不同的样本时间间隔下均具备较高的预测能力、较低的时间复杂度及数据计算成本，可以满足基于不同样本时间间隔的交通流量预测的需要。 |
| 期刊名称： | 公路交通科技 |
| 出版年： | 2021 |
| 期： | 11 |
| 页码： | 126-133 |
检索历史
应用推荐
