CN103903452A - 交通流短时预测方法 - Google Patents

Abstract

本发明公开了一种交通流短时预测方法，包括如下步骤：在选定的路段上设置检测器，按照预设的时间周期采集交通流数据；预处理获得的交通流数据，判断车流量和速度是否处于预期范围；建立交通流短时预测模型；检验上述模型是否符合平稳性要求，如果不符合，在进行差分处理，直到其符合平稳性要求；对符合平稳性要求的模型进行参数估计；采用上述模型预测交通流，并评价采用相关评价指标对其进行评价。通过线性ARIMA模型和非线性EGARCH-M模型的结合，本发明能够更好地追踪交通流的数据特征，控制异常数据带来的不利影响，具有更高的预测精度和可靠性，在各项评价指标方面优于现有方法。

Description

交通流短时预测方法

技术领域

本发明属于智能交通系统领域，尤其是一种基于混合模型的交通流短时预测方法。

背景技术

城镇化的快速发展和机动车保有量的迅速增长引发交通需求的快速增长，交通供需之间的矛盾日益激化，道路交通拥堵、环境污染和交通事故频发。智能交通系统（ITS）作为一种高效、实时、准确的解决途径，得到了越来越多的关注。在ITS的各组成要素中，交通流状态的分析和预测作为重要的基础理论，显得尤为重要。

交通流预测是指基于获取的道路交通流状态数据的时间序列预测未来时间的交通流状态数据。就交通流而言，短时预测一般指采集周期≤15min。随着科学技术的发展，交通流短时预测时间跨度可以为5min甚至更短，以适应交通控制与交通诱导的实时性要求。

相比长期和中期预测，因为交通流变化规律相对不明显，各种干扰对交通流短时预测造成的影响也比较大，因此具有更大的挑战性。

发明内容

发明目的：提供一种交通流短时预测方法，以提高短时交通流数据的预测精度和可靠性，适用于实时交通流预测。

技术方案：一种交通流短时预测方法，包括如下步骤：

S1、在选定的路段上设置检测器，按照预设的时间周期采集交通流数据；

S2、预处理获得的交通流数据，判断车流量和速度是否处于预期范围；

S3、建立交通流短时预测模型；

S31、建立ARIMA模型：

其中，X_t为时间序列；X_t-i表示相邻为i的时间序列；p和q分别为AR和MA项；和θ_j是未知系数；ε_t-j为t-j时的随机误差；i＝1,2,…,p，j＝0,1,…,q；

S32：建立ARIMA-EGARCH-M复合模型：

▽X_t＝X_t-X_t-1,a_t＝σ_tε_t

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=2}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left[\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-u]+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\γ}}_i+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)$

其中，

a_t＝σ_tε_t，σ_t、ε_t分别为t时所对应的方差和随机误差；▽为差分符号；d为差分阶数；γ_i表示非对称效应；a_t-i＝σ_t-iε_t-i，σ_t-i、ε_t-i分别为t-i所对应的方差和随机误差；

为待定参数；μ和ν分别为GARCH和ARCH项；X_t-1表示与X_t相邻的时间序列；a_t-j＝σ_t-jε_t-j，σ_t-j、ε_t-j分别为t-j所对应的方差和随机误差；α₀,α_i和β_j均为未知系数；i＝1,2,…,μ，j＝1,2,…,ν；

S33：令ε_t服从广义误差分布，其密度函数为：

$f\left({\mathrm{\ϵ}}_t\right)=\frac{n\·\exp \{-\frac{1}{2}{|{\mathrm{\ϵ}}_t/\mathrm{\λ}|}^n\}}{{\mathrm{\λ}\·2}^{1+\frac{1}{n}}\·\mathrm{\Γ}\left(\frac{1}{n}\right)}$

${\mathrm{\λ}=2}^{-\frac{1}{n}}\sqrt{\frac{\mathrm{\Γ}(1/n)}{\mathrm{\Γ}(3/n)}}$

其中，Γ为伽马函数；n为描述尾厚的分布参数；λ为中间变量；

S34：建立ARIMA-EGARCH-M-GED模型：

▽X_t＝X_t-X_t-1,a_t＝σ_tε_t

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i[\left(\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-\sqrt{\frac{2}{\mathrm{\π}}})+{\mathrm{\γ}}_i\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}]+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)$

其中， $E\left|{\mathrm{\ϵ}}_t\right|=\sqrt{\frac{2}{\mathrm{\π}}};$

S4、检验上述模型是否符合平稳性要求，如果不符合，在进行差分处理，直到其符合平稳性要求；

S5、对符合平稳性要求的模型进行参数估计；

S6、采用上述模型预测交通流，并评价采用相关评价指标对其进行评价。

所述评价指标为：

$\mathrm{MAPE}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{{\hat{y}}_i-y_i}{y_i}\right|$

$\mathrm{NRMSE}=\frac{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i}$

$\mathrm{VAPE}=\sqrt{\frac{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{|{\hat{y}}_i-y_i|}{y_i}\right)}^2-{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{|{\hat{y}}_i-y_i|}{y_i}\right]}^2}{N(N-1)}}$

其中，y_i和

分别为交通流量观测值和预测值，MAPE为平均绝对百分比误差，NRMSE为标准均方根误差；VAPE为绝对百分比方差，i＝1,2,…,N。

所述预设的时间周期为3-8分钟。

根据下述方法判断车流量和速度是否处于预期范围：

$0\≤q_i\≤\frac{f_i\mathrm{Ct}}{60}$

0≤v_i≤f_jv

其中，q_i为检测到的实际流量；f_i为流量修正系数，取1.3～1.5；C为道路通行能力，单位为辆/h；t为数据采集周期，单位为min；v_i为检测到的实际速度；f_j为速度修正系数，取1.3～1.5；v为道路的限制速度。

有益效果：本发明不仅能很好的刻画数据的异方差特性，而且克服了现有模型对参数的非负性约束，同时还能体现正、负冲击带来的非对称效应，有很大的灵活性。另外，通过线性ARIMA模型和非线性EGARCH-M模型的结合，本发明能够更好地追踪交通流的数据特征，控制异常数据带来的不利影响，具有更高的预测精度和可靠性，在各项评价指标方面优于现有方法。

附图说明

图1是本发明方法的流程图。

图2是本发明建立模型的流程图。

图3是本发明实施示意图。

图4是本发明自相关函数(ACF)及偏自相关函数（PACF）的计算分析图。

具体实施方式

结合图1和图2描述本发明的具体实施方案。

本发明基于混合模型的交通流短时预测方法主要包括如下步骤：

步骤1、通过在选取的路段上设置的检测器，以5分钟为周期采集原始交通流数据，数据类型为交通流量与速度。就交通流而言，短时预测一般指采集周期≤15min。数据采集时间范围应尽量涵盖全天的重要数据时段，尤其是高峰时期，一般选取范围为5:00AM-9:00PM。在众多检测点中选取若干个样本点作为进一步的预测结果误差比较分析需要。

步骤2、交通流数据的预处理：作为短时交通流预测的基础，数据质量对于预测的有效性具有非常重要的作用。判断交通流数据是否异常，流量和速度的合理范围分别为：

$0\≤q_i\≤\frac{f_i\mathrm{Ct}}{60}---\left(1\right)$

0≤v_i≤f_jv    （2）

其中，q_i为检测到的实际流量；f_i为流量修正系数，一般根据不同道路等级、控制类型取1.3～1.5；C为道路通行能力，单位为辆/h；t为数据采集周期，单位为min；v_i为检测到的实际速度；f_j为速度修正系数，一般根据不同道路等级、控制类型取1.3～1.5；v为道路的限制速度。

步骤3、建立ARIMA-EGARCH-M-GE D混合模型：ARIMA模型不能很好地处理非线性问题，且不能识别诊断永久白噪声。通过线性ARIMA模型和非线性EGARCH-M模型的结合，能够更好地追踪交通流的数据特征，控制异常数据带来的不利影响。不仅能很好的刻画数据的异方差特性，而且克服了传统GARCH模型对参数的非负性约束，同时还能体现正、负冲击带来的非对称效应，有很大的灵活性。此外，通过采用更为灵活的GED对残差进行处理，使预测具有更高的精度，从而在各项评价指标方面的表现优于现有方法。

步骤4、平稳性检验与差分处理：时间序列的平稳性是ARIMA建模及预测的前提，可以通过时间序列的散点图、自相关函数（ACF）和偏自相关函数（PACF）图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。如果ADF趋近于0，则此数据序列是平稳的；反之，则为非平稳序列。对于一个非平稳时间序列，通常可通过差分处理将其变换为平稳序列，一般首先尝试一阶差分，即d＝1。对于差分处理后达到平稳的时间序列，亦可找出相应的平稳随机过程或模型，从而转向步骤5。

步骤5、模型参数估计。对步骤4确定的n阶差分序列进行自相关和偏自相关分析，通过输出的自相关、偏自相关计算分析图（具体内容在具体实施方式中体现），得到自相关系数截尾的阶数以及偏自相关系数快速衰减的形式，作为ARIMA模型中的自回归阶数p和滑动平均阶数q，因此ARIMA(p,d,q)确定。残差平方的自相关图和偏自相关图通常被用来检测残差序列是否存在自回归条件异方差效应。如果不存在，则滞后项为0。对于存在异方差的数据序列，通过构造GARCH(1,1)模型可有效消除残差序列的异方差性，因此GARCH(μ,ν)也得以确定。

步骤6、采用上述步骤确定的模型对以5分钟为采样周期的交通流数据进行短时预测。为了更好地说明本发明方法在预测精度和可靠性方面的优势，选取一系列评价指标：平均绝对百分比误差（MAPE）、标准均方根误差（NRMSE）、绝对百分方差（VAPE）和绝对百分比误差小于10%（Lower-10%APE）对各种方法的表现进行评价分析。

本发明方法中，步骤2中的异常数据识别过程，可将其分为以下两类：在5min采集周期内，交通流量与速度数据始终为零，这可能是由于线圈检测器故障所致，因此可将其作为缺失数据，利用毗邻数据进行插值处理；另一类为交通数据的突然变化，这种异常突变可能与道路交通状况密切相关，在预测结果分析中是我们关注的重点。

本发明方法中步骤3的具体流程为：

步骤31：ARIMA建模：时间序列模型包括自回归模型（AR），移动平均模型（MA）和自回归滑动平均模型（ARMA）。ARMA(p,q)模型能够识别时间序列的结构特征，实现基于最小方差条件下的优化预测。时间序列X_t是一个线性函数，与毗邻数据以及随机项取值相关：

其中，X_t为时间序列，X_t-i表示相邻为i的时间序列；p和q分别为AR和MA项；

和θ_j是未知系数；ε_t-j为t-j时的随机误差，i＝1,2,…,p，j＝0,1,…,q；

在时间序列分析中，ARIMA(p,d,q)是指将非平稳时间序列转化为平稳时间序列，然后仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型包括移动平均过程、自回归过程、自回归移动平均过程以及ARIMA过程，通过差分处理可将非平稳序列转化为平稳序列，d为差分阶数。

步骤32、线性ARIMA模型与非线性EGARCH-M模型结合：在许多情况下，时间序列的残差表现出异方差性。为了更好地处理这一问题，广义自回归条件异方差模型（GARCH）作为残差分析的常用模型，得到了广泛应用。复合ARIMA-GARCH模型在追踪时间序列特征方面的优势令其成为近几年研究的重点。ARIMA(p,d,q)-GARCH（μ，ν）定义为：

▽X_t＝X_t-X_t-1,a_t＝σ_tε_t    （5）

${\mathrm{\σ}}_t^2={\mathrm{\α}}_0+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_{t-i}^2+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j{\mathrm{\σ}}_{t-j}^2---\left(6\right)$

其中，a_t＝σ_tε_t，σ_t、ε_t分别为t时所对应的方差和随机误差；▽为差分符号；d为差分阶数；a_t-i＝σ_t-iε_t-i，σ_t-i、ε_t-i分别为t-i所对应的方差和随机误差；

为待定参数；μ和ν分别为GARCH和ARCH项；X_t-1表示与X_t相邻的时间序列；a_t-j＝σ_t-jε_t-j，σ_t-j、ε_t-j分别为t-j所对应的方差和随机误差；α₀,α_i和β_j均为未知系数；i＝1,2,…,μ，j＝1,2,…,ν；

其中，μ和ν分别为GARCH和ARCH项；d为差分阶数；α_i和β_j是未知系数。

EGARCH模型由Nelson于1991年提出，它将方差方程的表达式调整为：

此模型中，条件方差是非负的，并且杠杆效应是指数型的。

表示存在非对称相互作用，

表示有明显的杠杆效应。

为了进一步抑制异常数据的影响，引入EGARCH-M模型。它通过将条件均值直接与方差关联调整了条件方差的表达式。

总是非负的，因此模型参数不需要进行非负限制，其方差方程的表达式为：

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=2}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left[\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-u]+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\γ}}_i+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)---\left(8\right)$

其中， $u=E\left(\right|\frac{a_t}{{\mathrm{\σ}}_t}\left|\right)={\left(\frac{2}{\mathrm{\π}}\right)}^{0.5}=0.798;$ γi表示非对称效应；

步骤33、采用更为灵活的GED处理残差的厚尾现象：为了更好地描述残差项ε_t的分布特征，令ε_t服从广义误差分布，其密度函数为：

$f\left({\mathrm{\ϵ}}_t\right)=\frac{n\·\exp \{-\frac{1}{2}{|{\mathrm{\ϵ}}_t/\mathrm{\λ}|}^n\}}{{\mathrm{\λ}\·2}^{1+\frac{1}{n}}\·\mathrm{\Γ}\left(\frac{1}{n}\right)}---\left(9\right)$

${\mathrm{\λ}=2}^{-\frac{1}{n}}\sqrt{\frac{\mathrm{\Γ}(1/n)}{\mathrm{\Γ}(3/n)}}---\left(10\right)$

其中，Γ为伽马函数；n为描述尾厚的分布参数，n＝2时，为标准正态分布，n＞2时，尾厚现象较正态分布不明显，反之亦然；λ为中间变量；

步骤34、混合模型ARIMA-EGARCH-M-GED最终确立。由上述步骤形成的ARIMA-EGARCH-M-GED模型的均值方程不变，方差方程最终确立为：

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i[\left(\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-\sqrt{\frac{2}{\mathrm{\π}}})+{\mathrm{\γ}}_i\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}]+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)---\left(11\right)$

其中， $E\left|{\mathrm{\ϵ}}_t\right|=\sqrt{\frac{2}{\mathrm{\π}}}.$

本发明方法中，步骤6所述的各评价指标定义如下：

$\mathrm{MAPE}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{{\hat{y}}_i-y_i}{y_i}\right|---\left(12\right)$

$\mathrm{NRMSE}=\frac{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i}---\left(13\right)$

$\mathrm{VAPE}=\sqrt{\frac{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{|{\hat{y}}_i-y_i|}{y_i}\right)}^2-{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{|{\hat{y}}_i-y_i|}{y_i}\right]}^2}{N(N-1)}}---\left(14\right)$

其中，y_i和

分别为交通流量观测值和预测值，MAPE为平均绝对百分比误差，NRMSE为标准均方根误差；VAPE为绝对百分比方差，i＝1,2,…,N。

选取州际公路I-80，通过设置的检测器，以5分钟为周期采集原始交通流数据，选取范围为2012年6月15日（星期五）和2012年6月16日（星期六）中5:00AM-9:00PM时段，数据类型为交通流量与速度。选取路段全长32.46公里，共设置56个检测点，并选取其中9个为样本点用于进一步的预测结果误差比较分析（详见图2，白点为样本点）。

在交通流数据预处理阶段，根据步骤2中的异常数据识别过程，可将其分为以下两类：在5min采集周期内，交通流量与速度数据始终为零，这可能是由于线圈检测器故障所致，因此可将其作为缺失数据，利用毗邻数据进行插值处理；另一类为交通数据的突然变化，这种异常突变可能与道路交通状况密切相关，在预测结果分析中是我们关注的重点。

通过时间序列的散点图、自相关图和偏自相关图，以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。首先，需验证异方差性是否存在。本实例中，残差平方既不趋近于某一常数，也没有单调递增（减）的趋势，因此异方差性存在。

如果ADF趋近于0，则此数据序列是平稳的；反之，则为非平稳序列，对于差分处理后达到平稳的时间序列，亦可找出相应的平稳随机过程或模型。通过一阶差分，即d＝1，检验统计量分别达到90%，95%，99%置信水平，数据序列达到平稳。

表1ADF单位根检验

对上述步骤确定的1阶差分序列进行自相关和偏自相关分析，通过输出的自相关、偏自相关计算分析图，得到自相关系数截尾的阶数以及偏自相关系数快速衰减的形式，从而估计出ARIMA模型中的参数q和p。由图3可知，自回归阶数p＝2，滑动平均阶数q＝3，因此ARIMA(2,1,3)确定。由于本实例中的数据序列存在异方差性，且滞后项为10，通过构造GARCH(1,1)模型可有效消除残差序列中的异方差性，因此GARCH(1,1)得以确定。

采用上述步骤确定的模型对以5分钟为采样周期的交通流数据进行短时预测。为了更好地说明本发明方法在预测精度和可靠性方面的优势，采取平均绝对百分比误差（MAPE）、标准均方根误差（NRMSE）、绝对百分方差（VAPE）和绝对百分比误差小于10%（Lower-10%APE）等评价指标，对本发明方法的表现进行评价分析。

下面选取47号检测点，对预测结果误差作进一步说明。其中绝对误差均控制在20以内，MAPE，NRMSE，VAPE和Lower-10%APE分别为1.829%，1.884%，0.039和84.529%。在早高峰和晚高峰期间，本发明方法也有突出表现，MAPE，NRMSE，VAPE和Lower-10%APE分别为3.223%，2.068%，0.043和79.328%。

表2中列出了本发明方法综合全部9个样本点在各评价指标方面的表现。结果表明混合模型ARIMA-EGARCH-M-GED具有很好的预测精度和预测可靠性，较现有方法在Lower-10%APE方面增加46.0%，在MAPE，VAPE，NRMSE方面分别降低了28.4%，19.6%和64.2%。

表2评价指标结果

*现有方法指交通流预测方法中较为常用的人工神经网络算法（ANN）、ARIMA和K近邻算法（KNN），并取3种算法的预测表现的平均值。

本发明以在处理时间序列问题中广泛应用的ARIMA模型为基础，通过结合基于广义误差分布的EGARCH-M模型，建立ARIMA-EGARCH-M-GED模型。它不仅能很好的刻画数据的异方差特性，而且克服了传统GARCH模型对参数的非负性约束，同时还能体现正、负冲击带来的非对称效应，有很大的灵活性。与传统采用的交通流预测方法相比，通过线性ARIMA模型和非线性EGARCH-M模型的结合，能够更好地追踪交通流的数据特征，控制异常数据带来的不利影响，因此具有更高的预测精度和可靠性，在各项评价指标方面优于现有方法。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (4)

1.一种交通流短时预测方法，其特征在于，包括如下步骤：

S1、在选定的路段上设置检测器，按照预设的时间周期采集交通流数据；

S2、预处理获得的交通流数据，判断车流量和速度是否处于预期范围；

S3、建立交通流短时预测模型；

S31、建立ARIMA模型：

其中，X_t为时间序列；X_t-i表示相邻为i的时间序列；p和q分别为AR和MA项；

和θ_j是未知系数；ε_t-j为t-j时的随机误差；i＝1,2,…,p，j＝0,1,…,q；

S32：建立ARIMA-EGARCH-M复合模型：

▽X_t＝X_t-X_t-1,a_t＝σ_tε_t

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=2}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left[\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-u]+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\γ}}_i+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)$

其中，

a_t＝σ_tε_t，σ_t、ε_t分别为t时所对应的方差和随机误差；▽为差分符号；d为差分阶数；γ_i表示非对称效应；a_t-i＝σ_t-iε_t-i，σ_t-i、ε_t-i分别为t-i所对应的方差和随机误差；

为待定参数；μ和ν分别为GARCH和ARCH项；X_t-1表示与X_t相邻的时间序列；a_t-j＝σ_t-jε_t-j，σ_t-j、ε_t-j分别为t-j所对应的方差和随机误差；α₀,α_i和β_j均为未知系数；i＝1,2,…,μ，j＝1,2,…,ν；

S33：令ε_t服从广义误差分布，其密度函数为：

$f\left({\mathrm{\ϵ}}_t\right)=\frac{n\·\exp \{-\frac{1}{2}{|{\mathrm{\ϵ}}_t/\mathrm{\λ}|}^n\}}{{\mathrm{\λ}\·2}^{1+\frac{1}{n}}\·\mathrm{\Γ}\left(\frac{1}{n}\right)}$

${\mathrm{\λ}=2}^{-\frac{1}{n}}\sqrt{\frac{\mathrm{\Γ}(1/n)}{\mathrm{\Γ}(3/n)}}$

其中，Γ为伽马函数；n为描述尾厚的分布参数；λ为中间变量；

S34：建立ARIMA-EGARCH-M-GED模型：

▽X_t＝X_t-X_t-1,a_t＝σ_tε_t

$\ln \left({\mathrm{\σ}}_t^2\right)={\mathrm{\α}}_0+\underset{i=1}{\overset{\mathrm{\μ}}{\mathrm{\Σ}}}{\mathrm{\α}}_i[\left(\right|\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}|-\sqrt{\frac{2}{\mathrm{\π}}})+{\mathrm{\γ}}_i\frac{a_{t-i}}{{\mathrm{\σ}}_{t-i}}]+\underset{j=1}{\overset{v}{\mathrm{\Σ}}}{\mathrm{\β}}_j\ln \left({\mathrm{\σ}}_{t-j}^2\right)$

其中， $E\left|{\mathrm{\ϵ}}_t\right|=\sqrt{\frac{2}{\mathrm{\π}}};$

S4、检验上述模型是否符合平稳性要求，如果不符合，在进行差分处理，直到其符合平稳性要求；

S5、对符合平稳性要求的模型进行参数估计；

S6、采用上述模型预测交通流，并评价采用相关评价指标对其进行评价。

2.如权利要求1所述的交通流短时预测方法，其特征在于，所述评价指标为：

$\mathrm{MAPE}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{{\hat{y}}_i-y_i}{y_i}\right|$

$\mathrm{NRMSE}=\frac{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i}$

$\mathrm{VAPE}=\sqrt{\frac{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{|{\hat{y}}_i-y_i|}{y_i}\right)}^2-{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{|{\hat{y}}_i-y_i|}{y_i}\right]}^2}{N(N-1)}}$

其中，y_i和

分别为交通流量观测值和预测值，MAPE为平均绝对百分比误差，NRMSE为标准均方根误差；VAPE为绝对百分比方差，i＝1,2,…,N。

3.如权利要求1所述的交通流短时预测方法，其特征在于，所述预设的时间周期为3-8分钟。

4.如权利要求1所述的交通流短时预测方法，其特征在于，根据下述方法判断车流量和速度是否处于预期范围：

$0\≤q_i\≤\frac{f_i\mathrm{Ct}}{60}$

0≤v_i≤f_jv

其中，q_i为检测到的实际流量；f_i为流量修正系数，取1.3～1.5；C为道路通行能力，单位为辆/h；t为数据采集周期，单位为min；v_i为检测到的实际速度；f_j为速度修正系数，取1.3～1.5；v为道路的限制速度。

Images