CN103903452B - 交通流短时预测方法 - Google Patents
交通流短时预测方法 Download PDFInfo
- Publication number
- CN103903452B CN103903452B CN201410088566.4A CN201410088566A CN103903452B CN 103903452 B CN103903452 B CN 103903452B CN 201410088566 A CN201410088566 A CN 201410088566A CN 103903452 B CN103903452 B CN 103903452B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- math
- traffic flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013459 approach Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 44
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 230000002411 adverse Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005311 autocorrelation function Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013485 heteroscedasticity test Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
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
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,Xt为时间序列;Xt-i表示相邻为i的时间序列;p和q分别为AR和MA项;和θj是未知系数;εt-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:
▽Xt=Xt-Xt-1,at=σtεt
其中,at=σtεt,σt、εt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;γi表示非对称效应;at-i=σt-iεt-i,σt-i、εt-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;Xt-1表示与Xt相邻的时间序列;at-j=σt-jεt-j,σt-j、εt-j分别为t-j所对应的方差和随机误差;α0,αi和βj均为未知系数;i=1,2,…,μ,j=1,2,…,ν;
S33:令εt服从广义误差分布,其密度函数为:
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:
▽Xt=Xt-Xt-1,at=σtεt
其中,
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:
其中,yi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≤vi≤fjv
其中,qi为检测到的实际流量;fi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;vi为检测到的实际速度;fj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≤vi≤fjv (2)
其中,qi为检测到的实际流量;fi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;vi为检测到的实际速度;fj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Xt是一个线性函数,与毗邻数据以及随机项取值相关:
其中,Xt为时间序列,Xt-i表示相邻为i的时间序列;p和q分别为AR和MA项;和θj是未知系数;εt-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:
▽Xt=Xt-Xt-1,at=σtεt (5)
其中,at=σtεt,σt、εt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;at-i=σt-iεt-i,σt-i、εt-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;Xt-1表示与Xt相邻的时间序列;at-j=σt-jεt-j,σt-j、εt-j分别为t-j所对应的方差和随机误差;α0,αi和βj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;αi和βj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:
其中, 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εt的分布特征,令εt服从广义误差分布,其密度函数为:
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:
其中,
本发明方法中,步骤6所述的各评价指标定义如下:
其中,yi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 (3)
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,Xt为时间序列;Xt-i表示相邻为i的时间序列;p和q分别为AR和MA项;和θj是未知系数;εt-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:
其中,at=σtεt,σt、εt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;γi表示非对称效应;at-i=σt-iεt-i,σt-i、εt-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;Xt-1表示与Xt相邻的时间序列;at-j=σt-jεt-j,σt-j、εt-j分别为t-j所对应的方差和随机误差;α0,αi和βj均为未知系数;i=1,2,…,μ,j=1,2,…,ν;
S33:令εt服从广义误差分布,其密度函数为:
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:
其中,
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,所述预设的时间周期为3-8分钟。
3.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≤vi≤fjv
其中,qi为检测到的实际流量;fi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;vi为检测到的实际速度;fj为速度修正系数,取1.3~1.5;v为道路的限制速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410088566.4A CN103903452B (zh) | 2014-03-11 | 2014-03-11 | 交通流短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410088566.4A CN103903452B (zh) | 2014-03-11 | 2014-03-11 | 交通流短时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903452A CN103903452A (zh) | 2014-07-02 |
CN103903452B true CN103903452B (zh) | 2015-10-07 |
Family
ID=50994753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410088566.4A Expired - Fee Related CN103903452B (zh) | 2014-03-11 | 2014-03-11 | 交通流短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903452B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104183134B (zh) * | 2014-08-27 | 2016-02-10 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
CN104517159A (zh) * | 2014-12-18 | 2015-04-15 | 上海交通大学 | 一种公交短时客流的预测方法 |
US20180075362A1 (en) | 2015-04-14 | 2018-03-15 | Nec Europe Ltd. | Method for incident detection in a time-evolving system |
CN104899663B (zh) * | 2015-06-17 | 2019-02-26 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
CN105321345B (zh) * | 2015-09-18 | 2017-06-30 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
CN105469611B (zh) * | 2015-12-24 | 2017-12-01 | 大连理工大学 | 一种短时交通流预测模型方法 |
US10395183B2 (en) | 2016-03-15 | 2019-08-27 | Nec Corporation | Real-time filtering of digital data sources for traffic control centers |
CN106126483A (zh) * | 2016-06-21 | 2016-11-16 | 湖北天明气和网络科技有限公司 | 一种天气预测的方法及装置 |
CN105913664B (zh) * | 2016-06-29 | 2018-06-12 | 广州浩瑞尔信息科技有限公司 | 一种交通流量监控预测系统 |
CN105957329B (zh) * | 2016-06-29 | 2019-04-19 | 芜湖达成储运有限公司 | 一种公路信息化智能系统 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
CN107293118B (zh) * | 2017-07-18 | 2020-10-20 | 扬州大学 | 一种交通速度动态区间短时预测方法 |
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
CN107798877B (zh) * | 2017-11-22 | 2020-10-02 | 北京云星宇交通科技股份有限公司 | 一种基于高速公路收费数据对交通量进行预测的方法及系统 |
CN109308343A (zh) * | 2018-07-31 | 2019-02-05 | 北京航空航天大学 | 一种基于随机波动模型的行程时间预测及可靠性度量方法 |
CN109214097B (zh) * | 2018-09-14 | 2021-09-10 | 上海工程技术大学 | 一种无量纲参数滚动轴承长相关故障趋势预测方法 |
CN109064750B (zh) * | 2018-09-28 | 2021-09-24 | 深圳大学 | 城市路网交通估计方法及系统 |
CN109272760B (zh) * | 2018-10-18 | 2020-05-05 | 银江股份有限公司 | 一种scats系统检测器数据异常值的在线检测方法 |
CN110782652B (zh) | 2018-11-07 | 2020-10-16 | 滴图(北京)科技有限公司 | 速度预测系统和方法 |
CN109598936B (zh) * | 2018-12-18 | 2020-01-10 | 中国科学院地理科学与资源研究所 | 一种基于动态stknn模型的短时交通预测方法 |
CN109379240B (zh) * | 2018-12-25 | 2021-06-25 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
CN109727455A (zh) * | 2019-03-05 | 2019-05-07 | 湖北汇程信息技术有限公司 | 一种交通信息的处理方法 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN112489418B (zh) * | 2020-10-22 | 2022-10-14 | 浙江交通职业技术学院 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
CN113393663A (zh) * | 2020-10-22 | 2021-09-14 | 浙江交通职业技术学院 | 一种道路路径行程时间的滚动预测方法 |
CN113362597B (zh) * | 2021-06-03 | 2022-11-29 | 济南大学 | 一种基于非参数建模的交通序列数据异常检测方法及系统 |
CN113706867B (zh) * | 2021-08-27 | 2022-08-30 | 东北大学 | 一种高速公路相邻边缘设备节点交通异常概率评估方法 |
DE202022100907U1 (de) | 2022-02-17 | 2022-03-14 | Himansu Sekhar Behera | Ein neuartiges Hybridisierungssystem für die Vorhersage von Zeitreihen |
CN115048998B (zh) * | 2022-06-13 | 2023-04-07 | 大连理工大学 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
-
2014
- 2014-03-11 CN CN201410088566.4A patent/CN103903452B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
ARIMA-EGARCH-M-GED模型在公路客运量预测中的应用;王超等;《中国管理信息化》;20120731;第15卷(第13期);第45-46页 * |
Wind speed forecasting based on autoregressive moving average- exponential generalized autoregressive conditional heteroscedasticity-generalized error distribution (ARMA-EGARCH-GED) model;Hongkui Li.et al;《International Journal of the Physical Sciences》;20111123;第6卷(第30期);第6867-6871页 * |
基于 ARIMA 模型的短时交通流实时自适应预测;韩超等;《系统仿真学报》;20040731;第16卷(第7期);第1530-1532页以及第1535页 * |
基于小波分析和ARIMA模型的交通流预测方法;窦慧丽等;《同济大学学报(自然科学版)》;20090430;第37卷(第4期);第486-489页以及第494页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103903452A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103903452B (zh) | 交通流短时预测方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
CN107346460B (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN103258069B (zh) | 一种钢铁行业电力需求的预测方法 | |
CN102610088B (zh) | 一种公交车站点间行程时间预测方法 | |
CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN109961180A (zh) | 一种基于时空相关性的短时交通流量预测方法 | |
CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
CN102629418A (zh) | 基于模糊卡尔曼滤波的交通流参数预测方法 | |
CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
CN108734958B (zh) | 一种交通速度预测方法 | |
CN101794345A (zh) | 一种数据处理方法及装置 | |
CN105115573A (zh) | 一种洪水流量预报的校正方法和装置 | |
Raiyn et al. | Real-time road traffic anomaly detection | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN116720622B (zh) | 一种电流互感器计量误差值预测方法 | |
CN105929340A (zh) | 一种基于arima估算电池soc的方法 | |
CN113516845A (zh) | 基于sarima-nar组合模型的道路月度交通量预测方法 | |
CN104091056A (zh) | 一种实验室设备使用寿命预测系统和方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151007 Termination date: 20180311 |
|
CF01 | Termination of patent right due to non-payment of annual fee |