基于ARMA-SVR的短时交通流量预测模型研究

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5,10,15 min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.

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

所属期刊栏目：38

分类号：U491.1+4(交通工程与公路运输技术管理)

在线出版日期：2021-12-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：126-133