基于状态空间模型的道路交通状态多点时间序列预测1
需积分: 0 133 浏览量
2022-08-03
18:56:42
上传
评论
收藏 346KB PDF 举报
第２０卷 第４期
２００７年 ７月
中 国 公 路 学 报
ＣｈｉｎａＪｏｕｒｎａｌｏｆＨｉｇｈｗａｙａｎｄＴｒａｎｓＰｏｒｔ
Ｖｏｌ．２０ Ｎｏ．４
ＪｕｌｙＺＯＯ７
文章编号：１００１一７３７２（２００７）０４一０１１８一０４
基于ＡＲＩＭＡ与人工神经网络组合
模型的交通流预测
谭满春‘，冯荤斌‘，徐建闽“
（ｌ．暨南大学 信息科学技术学院，广东 广州 ５１０６３２；２．华南理工大学 交通学院，广东 广州 ５１Ｏ６４１）
摘要：将自回归求和滑动平均（ＡＲＩＭＡ）与人工神经网络组合模型用于短时交通流预测。利用
ＡＲＩＭＡ模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力，把交通流时间序
列看成由线性自相关结构和非线性结构两部分组成，采用 ＡＲＩＭＡ模型对交通流序列的线性部分
进行预测，用人工神经网络模型对其非线性残差部分进行预测。结果表明：组合模型的预测准确性高
于各自单独使用时的准确性；组合方法发挥了２种模型各自的优势，是短期交通流预测的有效方法。
关键词：交通工程；短期交通流预测；自回归求和滑动平均模型；人工神经网络；时间序列
中图分类号 ：Ｕ４９１．１４ 文献标志码：Ａ
ＴｒａｆｆｉｃＦｌｏｗＰｒｅｄｉｃｔｉｏｎＢａｓｅｄｏｎＨｙｂｒｉｄＡＲＩＭＡａｎｄＡＮＮＭｏｄｅｌ
ＴＡＮ Ｍａｎ一ｃｈｕｎ‘，ＦＥＮＧ Ｌｕｏ一ｂｉｎ‘，
（１．ＳｃｈｏｏｌｏｆｌｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｎａｎＵｎｉｖｅｒｓｉｔｙ，
ＸＵ Ｊｉａｎ－－ｍｉｎＺ
Ｇｕａｎｇｚｈｏｕｓｌ０６３２，Ｇｕａｎｇｄｏｎｇ，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ
５１０６４１，Ｇｕａｎｇｄｏｎｇ，Ｃｈｉｎａ）
Ａｈｓｔｒａｃｔ：Ｈｙｂｒｉｄａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅ（ＡＲＩＭＡ）ａｎｄａｒｔｉｆｉｃｉａｌｎｅｕｒａｌ
ｎｅｔｗｏｒｋｍｏｄｅｌｓｗｅｒｅｅｍｐｌｏｙｅｄｉｎｔｈｅｓｈｏｒｔ一ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｐｒｅｄｉｃｔｉｏｎ．’Ｕｓｉｎｇｔｈｅｇｏｏｄｌｉｎｅａｒ
ｆｉｔｔｉｎｇａｂｉｌｉｔｙｏｆＡＲＩＭＡａｎｄｔｈｅｓｔｒｏｎｇｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇａｂｉｌｉｔｙｏｆａｒｔｉｆｉｃｉａ１ｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅ
ｔｒａｆｆｉｃｆｌｏｗｔｉｍｅｓｅｒｉｅｓｗａｓｃｏｎｓｉｄｅｒｅｄｔｏｂｅｃｏｍｐｏｓｅｄｏｆａｌｉｎｅａｒａｕｔｏｃｏｒｒｅｌａｔｉｏｎｓｔｒｕｃｔｕｒｅａｎｄａ
ｎｏｎｌｉｎｅａｒｓｔｒｕｃｔｕｒｅ．ＡＲＩＭＡｍｏｄｅｌｗａｓｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｌｉｎｅａｒｃｏｍｐｏｎｅｎｔｏｆｔｒａｆｆｉｃｆｌｏｗｔｉｍｅ
ｓｅｒｉｅｓａｎｄｔｈｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｗａｓａｐｐｌｉｅｄｔｏｔｈｅｎｏｎｌｉｎｅａｒｒｅｓｉｄｕａｌｃｏｍｐｏｎｅｎｔ
ｐｒｅｄｉｃｔｉｏｎ．Ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｈｙｂｒｉｄｍｏｄｅｌ，ｗｈｉｃｈｔａｋｅｓａｄｖａｎｔａｇｅｏｆｔｈｅｕｎｉｑｕｅｓｔｒｅｎｇｔｈｏｆ
ｔｈｅｔｗｏｍｏｄｅｌｓｉｎ１ｉｎｅａｒａｎｄｎｏｎｌｉｎｅａｒｍｏｄｅｌｉｎｇ，ｃａｎｐｒｏｄｕｃｅｍｏｒｅａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｓｔｈａｎｔｈａｔ
ｏｆｓｉｎｇｌｅｍｏｄｅｌ．Ｔｈｅｈｙｂｒｉｄｍｏｄｅｌｃａｎｂｅａｎｅｆｆｉｃｉｅｎｔｍｅｔｈｏｄｔｏｔｈｅｓｈｏｒｔ一ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｐｒｅ－
ｄｉｃｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｔｒａｆｆｉｃｅｎｇｉｎｅｅｒｉｎｇ；ｓｈｏｒｔ一ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｐｒｅｄｉｃｔｉｏｎ；ＡＲＩＭＡｍｏｄｅｌ；ａｒｔｉｆｉｃｉａｌｎｅｕ－
ｒａｌｎｅｔｗｏｒｋ；ｔｉｍｅｓｅｒｉｅｓ
０ 引 言
交通流预测是智能运输系统中的路径诱导和交
通流控制的必要条件，交通流信息的实时性和可靠
性直接关系到交通管理与控制的效果，因此短时交
通流预测是一个研究热点。交通流预测模型与方法
收稿 日期
基金项 目
作者简介
：２００６一１０一２４
：国家自然科学基金项目（５０５７８０６４）；广东省自然科学基金项目（０６０２５２１９）
：谭满春（１９６８一），男，湖南汝城人，副教授，１学博士，Ｄｍａｉｌ：ｔａｎｍｃ＠ｊｎｕ．ｅｄｕ．ｃｎｏ
评论0