CN113516845A - 基于sarima-nar组合模型的道路月度交通量预测方法 - Google Patents

基于sarima-nar组合模型的道路月度交通量预测方法 Download PDF

Info

Publication number
CN113516845A
CN113516845A CN202110457415.1A CN202110457415A CN113516845A CN 113516845 A CN113516845 A CN 113516845A CN 202110457415 A CN202110457415 A CN 202110457415A CN 113516845 A CN113516845 A CN 113516845A
Authority
CN
China
Prior art keywords
model
sarima
nar
sequence
seasonal
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.)
Pending
Application number
CN202110457415.1A
Other languages
English (en)
Inventor
汪优
贾茹雪
叶雲霞
赵晓薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110457415.1A priority Critical patent/CN113516845A/zh
Publication of CN113516845A publication Critical patent/CN113516845A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Abstract

本发明公开了一种基于SARIMA‑NAR组合模型的道路月度交通量预测方法，首先收集历年的月度交通量数据，建立道路月度交通量时间序列；然后将月度交通量时间序列
Figure 83570DEST_PATH_IMAGE001
Figure 369189DEST_PATH_IMAGE002
运用SARIMA模型进行线性预测，得到线性结果
Figure 482639DEST_PATH_IMAGE003
Figure 939028DEST_PATH_IMAGE004
；由SARIMA模型所得线性结果
Figure 740499DEST_PATH_IMAGE003
Figure 129893DEST_PATH_IMAGE004
和原始序列
Figure 430555DEST_PATH_IMAGE005
Figure 905399DEST_PATH_IMAGE002
计算残差
Figure 979403DEST_PATH_IMAGE006
Figure 488882DEST_PATH_IMAGE007
，提取残差序列；后利用残差序列构建NAR模型，进行非线性预测，获取非线性结果
Figure 209713DEST_PATH_IMAGE008
Figure 391427DEST_PATH_IMAGE009
；再叠加线性结果
Figure 285433DEST_PATH_IMAGE010
Figure 587102DEST_PATH_IMAGE004
和非线性结果
Figure 790419DEST_PATH_IMAGE008
Figure 708696DEST_PATH_IMAGE009
，获得最终月度交通量的预测结果
Figure 78498DEST_PATH_IMAGE011

Description

基于SARIMA-NAR组合模型的道路月度交通量预测方法
技术领域
本发明属于道路交通量预测领域，涉及一种基于SARIMA-NAR组合模型的道路月度交通量预测方法。
背景技术
交通量是衡量路网性能状态的重要指标和道路划分等级的关键依据，其不仅体现了区域内的经济水平和城乡发展趋势，还为道路的规划设计、红绿灯的调配、交通控制与政策调整等提供了丰富信息参照。
目前，基于时间序列的交通量预测研究，主要包含马尔科夫模型、遗传算法、神经网络、小波分解与重构、灰色系统理论、ARIMA模型、支持向量回归等方法。但是，单一的预测模型无法准确捕捉到复杂的交通量时间序列的全部信息，具有片面、可靠度低等不足。基于此，很多学者展开了关于组合预测模型的研究，。但是现有的交通量组合预测方法主要针对于短期预测，季节性波动研究较少；并且选用的静态神经网络没有记忆功能，仅仅依赖于当前的输入，对于时间序列的预测能力远远低于动态神经网络。
发明内容
为了解决上述道路月度交通量预测方法所存在的问题，本发明提出一种基于SARIMA-NAR组合模型的道路月度交通量预测方法。该方法通过时间序列对月度交通量进行预测，预测结果具有较高的有效性和可靠度，预测过程也更加便捷、高效。
本发明解决其技术问题所采用的技术方案：
一种基于SARIMA-NAR组合模型的道路月度交通量预测方法，包括以下步骤：
1）收集某道路历年的月度交通量数据，建立道路月度交通量时间序列；
2）将月度交通量时间序列
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
运用SARIMA模型进行线性预测，得到线性结果
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
；
3）由SARIMA模型所得线性结果
Figure DEST_PATH_IMAGE005
Figure 372371DEST_PATH_IMAGE004
和原始序列
Figure DEST_PATH_IMAGE006
Figure 477075DEST_PATH_IMAGE002
计算残差
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
，提取残差序列；
4）利用残差序列构建NAR模型，进行非线性预测，获取非线性结果
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
；
5）叠加线性结果
Figure 934601DEST_PATH_IMAGE003
Figure 483394DEST_PATH_IMAGE004
和非线性结果
Figure 633753DEST_PATH_IMAGE009
Figure 900786DEST_PATH_IMAGE010
，获得最终月度交通量的预测结果
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
；
6）通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价。
进一步地，在所述步骤2）中，SARIMA模型，即季节性ARIMA模型，是在ARIMA模型的基础上增加季节性参数项而形成的模型，通过该模型可以对具有季节性特点的数据进行建模预测。SARIMA (p, d, q) (P, D, Q) m 模型的表达式如下：
Figure DEST_PATH_IMAGE013
(1)
式(1)中，p为非季节自回归阶数，d为非季节差分阶数，q为非季节移动平均阶数，P为季节自回归阶数，D为季节差分阶数，Q为季节移动平均阶数，
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
为自回归项系数，
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
为移动平均项系数，L为滞后算子，m为周期数（月度数据m=12，季度数据m=4），
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
为白噪声序列。
其中，SARIMA模型的建模过程主要为：第一步，将具有季节性的非平稳月度交通量时间序列进行季节性和非季节性差分处理；第二步，差分序列进行单位根(ADF)检验；第三步，比较序列ADF检验的t统计量和p值，确定非季节差分阶数d和季节差分阶数D；第四步，分别绘制自相关(ACF)图和偏自相关(PACF)图；第五步，根据贝叶斯信息度量(BIC)确定最终的SARIMA模型。
进一步地，在所述步骤3）中，残差的计算公式为：
Figure DEST_PATH_IMAGE020
(2)
进一步地，在所述步骤4）中，NAR模型是非线性自回归模型，是一种专门针对时间序列进行分析处理的动态神经网络模型，该模型将当前时期输出，重新指向元神经网络层的输入端，为下一个时期的输出提供依据和参考。NAR动态神经网络所构建其数学方程如下：
Figure DEST_PATH_IMAGE021
(3)
式(3)中，d为延时阶数，y(t)为当前所求预测值。
其中，NAR模型的建模过程主要为：第一步，将所述步骤3）中的残差序列进行Max-Min归一化处理，归一化的转换公式见式(4)；第二步，通过比较模型在多次训练后的均方误差(MSE)及其稳定性，确定最优模型。
Figure DEST_PATH_IMAGE022
(4)
式(4)中，
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE024
为归一化后的序列值，x为原始序列，
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
分别为原始序列的最大值和最小值。
进一步地，在所述步骤5）中，SARIMA模型和NAR动态神经网络叠加，其数学表达式为：
Figure DEST_PATH_IMAGE029
(5)
式(5)中，
Figure 348954DEST_PATH_IMAGE011
Figure 814570DEST_PATH_IMAGE012
、
Figure 73513DEST_PATH_IMAGE003
Figure 827843DEST_PATH_IMAGE004
、
Figure 564854DEST_PATH_IMAGE009
Figure 153486DEST_PATH_IMAGE010
分别为SARIMA-NAR组合模型、SARIMA模型、NAR模型的预测结果。
Figure 583331DEST_PATH_IMAGE003
Figure 559377DEST_PATH_IMAGE004
表示线性成分，
Figure 100080DEST_PATH_IMAGE009
Figure 743550DEST_PATH_IMAGE010
表示非线性成分。
进一步地，在所述步骤6）中，平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)评价指标的计算公式如下：
Figure DEST_PATH_IMAGE030
(6)
Figure DEST_PATH_IMAGE031
(7)
Figure DEST_PATH_IMAGE032
(8)
本发明提供的技术方案可以产生的有益效果具体为：以线性与非线性成分组合为基础构建的SARIMA-NAR组合模型，其先对月度交通量时间序列建立SARIMA模型，后利用SARIMA模型残差进行NAR神经网络预测，再将二者结果叠加；基于SARIMA-NAR组合模型的道路月度交通量预测方法针对季节性交通量时间序列建模，预测结果具有较高的有效性和可靠度，预测过程便捷、高效，不仅丰富了道路交通领域的理论研究体系，还为道路规划设计、交通控制与政策调整等提供丰富的信息参照。
附图说明
图1为基于SARIMA-NAR组合模型的道路月度交通量预测方法的具体流程图。
图2为SARIMA模型、NAR模型和本发明的SARIMA-NAR模型月度交通量预测结果的比较图。
具体实施方式
为了更加清晰的阐述本发明的技术方案及其优势，下面将结合附图对本发明进行更加详尽的说明。
根据图1所示，一种基于SARIMA-NAR组合模型的道路月度交通量预测方法，包括以下步骤：
1）收集某道路历年的月度交通量数据，建立道路月度交通量时间序列
2）将月度交通量时间序列
Figure 141034DEST_PATH_IMAGE006
Figure 932272DEST_PATH_IMAGE002
运用SARIMA模型进行线性预测，得到线性结果
Figure 11087DEST_PATH_IMAGE003
Figure 509064DEST_PATH_IMAGE004
SARIMA模型，即季节性ARIMA模型，是在ARIMA模型的基础上增加季节性参数项而形成的模型，通过该模型可以对具有季节性特点的数据进行建模预测。SARIMA (p, d, q)(P, D, Q) m 模型的表达式如下：
Figure DEST_PATH_IMAGE033
(1)
式(1)中，p为非季节自回归阶数，d为非季节差分阶数，q为非季节移动平均阶数，P为季节自回归阶数，D为季节差分阶数，Q为季节移动平均阶数，
Figure 15132DEST_PATH_IMAGE014
Figure 293666DEST_PATH_IMAGE015
为自回归项系数，
Figure 176172DEST_PATH_IMAGE016
Figure 528656DEST_PATH_IMAGE017
为移动平均项系数，L为滞后算子，m为周期数（月度数据m=12，季度数据m=4），
Figure 471204DEST_PATH_IMAGE018
Figure 971455DEST_PATH_IMAGE019
为白噪声序列。
其中，SARIMA模型的建模过程主要为：第一步，将具有季节性的非平稳月度交通量时间序列进行季节性和非季节性差分处理；第二步，差分序列进行单位根(ADF)检验；第三步，比较序列ADF检验的t统计量和p值，确定非季节差分阶数d和季节差分阶数D；第四步，分别绘制自相关(ACF)图和偏自相关(PACF)图；第五步，根据贝叶斯信息度量(BIC)确定最终的SARIMA模型。
3）由SARIMA模型所得线性结果
Figure 392072DEST_PATH_IMAGE005
Figure 864642DEST_PATH_IMAGE004
和原始序列
Figure 712512DEST_PATH_IMAGE006
Figure 700060DEST_PATH_IMAGE002
计算残差
Figure 924368DEST_PATH_IMAGE007
Figure 251444DEST_PATH_IMAGE008
，提取残差序列
其中，残差的计算公式为：
Figure 535795DEST_PATH_IMAGE020
(2)
4）利用残差序列构建NAR模型，进行非线性预测，获取非线性结果
Figure 948322DEST_PATH_IMAGE009
Figure 773058DEST_PATH_IMAGE010
NAR模型是非线性自回归模型，是一种专门针对时间序列进行分析处理的动态神经网络模型，该模型将当前时期输出，重新指向元神经网络层的输入端，为下一个时期的输出提供依据和参考。NAR动态神经网络所构建其数学方程如下：
Figure 954641DEST_PATH_IMAGE021
(3)
式(3)中，d为延时阶数，y(t)为当前所求预测值。
其中，NAR模型的建模过程主要为：第一步，将所述步骤3）中的残差序列进行Max-Min归一化处理，归一化的转换公式见式(4)；第二步，通过比较模型在多次训练后的均方误差(MSE)及其稳定性，确定最优模型。
Figure 409893DEST_PATH_IMAGE022
(4)
式(4)中，
Figure 309716DEST_PATH_IMAGE023
Figure 938143DEST_PATH_IMAGE024
为归一化后的序列值，x为原始序列，
Figure 974232DEST_PATH_IMAGE025
Figure 600386DEST_PATH_IMAGE026
、
Figure 987505DEST_PATH_IMAGE027
Figure 91727DEST_PATH_IMAGE028
分别为原始序列的最大值和最小值。
5）叠加线性结果
Figure 307289DEST_PATH_IMAGE003
Figure 104344DEST_PATH_IMAGE004
和非线性结果
Figure 713180DEST_PATH_IMAGE009
Figure 886672DEST_PATH_IMAGE010
，获得最终月度交通量的预测结果
Figure 959670DEST_PATH_IMAGE011
Figure 927626DEST_PATH_IMAGE012
SARIMA模型和NAR动态神经网络叠加，其数学表达式为：
Figure 23758DEST_PATH_IMAGE029
(5)
式(5)中，
Figure 469783DEST_PATH_IMAGE011
Figure 600550DEST_PATH_IMAGE012
、
Figure 801724DEST_PATH_IMAGE003
Figure 385152DEST_PATH_IMAGE004
、
Figure 634868DEST_PATH_IMAGE009
Figure 620142DEST_PATH_IMAGE010
分别为SARIMA-NAR组合模型、SARIMA模型、NAR模型的预测结果。
Figure 929900DEST_PATH_IMAGE003
Figure 62941DEST_PATH_IMAGE004
表示线性成分，
Figure 116348DEST_PATH_IMAGE009
Figure 956128DEST_PATH_IMAGE010
表示非线性成分。
6）通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价
平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)评价指标的计算公式如下：
Figure 436788DEST_PATH_IMAGE030
(6)
Figure 791546DEST_PATH_IMAGE031
(7)
Figure 648643DEST_PATH_IMAGE032
(8)
实例：一种基于SARIMA-NAR组合模型的道路月度交通量预测方法，包括以下步骤：
1）收集某道路历年的月度交通量数据，建立道路月度交通量时间序列
本实施例中，以广西省某道路的月度交通量时间序列为例，将2014年1月至2018年12月的交通量数据作为历史值拟合样本，2019年1月至2019年12月的数据作为预测对比样本。
2）将月度交通量时间序列
Figure 342930DEST_PATH_IMAGE006
Figure 994491DEST_PATH_IMAGE002
运用SARIMA模型进行线性预测，得到线性结果
Figure 39808DEST_PATH_IMAGE003
Figure 497334DEST_PATH_IMAGE004
由于交通量序列为月度数据，且具有明显的季节性趋势，取周期数m=12。同时，考虑到其为非平稳型时间序列，需要进行差分处理，以获取平稳序列进行下一步建模。分别将原序列、一次非季节性差分序列、一次非季节性差分和一次季节性差分序列进行单位根(ADF)检验，所得检验结果见表1。
表1 ADF检验表
Figure DEST_PATH_IMAGE034
由上表可比较序列ADF检验的t统计量和p值，当序列进行一次非季节性差分和一次季节性差分，即当d=1, D=1时，该时间序列数据ADF检验的t统计量为-4.874，p值为0.000，1%、5%、10%临界值分别为-3.633、-2.949、-2.613。其中，p=0.000<0.01，有高于99%的把握拒绝原假设，此时序列平稳。由此，确定d=1, D=1，构建SARIMA (p, 1, q) (P, 1, Q)12模型。
然后，再分别绘制自相关(ACF)图和偏自相关(PACF)图；最后，选取贝叶斯信息度量(BIC)值最小的模型确定为最终的SARIMA模型，最终的SARIMA模型为SARIMA (0,1,2)(0,1,2)12，模型的BIC 值为22.119。
3）由SARIMA模型所得线性结果
Figure DEST_PATH_IMAGE035
Figure 46127DEST_PATH_IMAGE004
和原始序列
Figure DEST_PATH_IMAGE036
Figure 196485DEST_PATH_IMAGE002
计算残差
Figure DEST_PATH_IMAGE037
Figure 463519DEST_PATH_IMAGE008
，提取残差序列
根据残差计算公式(2)将计算所得月度残差构建残差时间序列。
4）利用残差序列构建NAR模型，进行非线性预测，获取非线性结果
Figure DEST_PATH_IMAGE038
Figure 459157DEST_PATH_IMAGE010
。
首先，将所述步骤3）中的残差序列作归一化处理，形成归一化残差序列。
考虑到该实施例中所用于拟合预测的月度交通量时间序列属于较小数据样本，因此训练样本、验证样本和预测样本的占比取值分别为70%、15%、15%。同时，采用Levenberg-Marquardt训练算法构建NAR动态神经网络。通过调整隐藏层神经元数量和延时阶数，比较模型在多次训练后的均方误差(MSE)及其稳定性，确定最优模型。其中，隐藏层神经元个数可以运用如下经验公式：
Figure DEST_PATH_IMAGE039
(9)
式(8)中，
Figure DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE041
为隐藏层神经元个数，n为输入样本数，m为输出样本数，a为常数（通常取a=1~10）。
根据经验公式可知，原始月度交通量时间序列和SARIMA模型残差序列的隐藏层神经元数分别为10~19和 9~18个。经过不断测试后发现原始月度交通量时间序列的最佳隐藏层神经元数量为15，延时阶数为3；SARIMA模型残差序列的最佳隐藏层神经元数量为15，延时阶数为4。
5）叠加线性结果
Figure DEST_PATH_IMAGE042
Figure 193282DEST_PATH_IMAGE004
和非线性结果
Figure 452225DEST_PATH_IMAGE038
Figure 940975DEST_PATH_IMAGE010
，获得最终月度交通量的预测结果
Figure DEST_PATH_IMAGE043
Figure 5883DEST_PATH_IMAGE012
。
根据叠加计算公式(4)将SARIMA模型和NAR动态神经网络叠加，
Figure 529268DEST_PATH_IMAGE042
Figure 693533DEST_PATH_IMAGE004
表示SARIMA模型预测部分，
Figure 935159DEST_PATH_IMAGE038
Figure 538178DEST_PATH_IMAGE010
表示NAR模型残差预测部分。
6）通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价。
分别计算SARIMA模型、NAR模型和SARIMA-NAR组合模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)，评价结果如下表所示。
表2 月度交通量预测误差统计
Figure DEST_PATH_IMAGE044
由表2可知，基于SARIMA-NAR组合模型的月度交通量预测结果各误差指标最小，预测序列的MAPE、MAE、RMSE分别降至5.89%、3.32E+04、4.62E+04；拟合序列的MAPE、MAE、RMSE分别降至5.77%、2.03E+04、2.77E+04。本发明所提出的SARIMA-NAR组合模型预测和拟合功能各指标均优于其他模型。
如图2所示，为SARIMA模型、NAR模型和本发明的SARIMA-NAR模型月度交通量预测结果的比较图。
以上所述内容对本发明具体实施方式进行说明，仅为本发明的一种实施例。但本发明不仅限于该形式，可以在其原则保护范围内作一定程度上的更改、变化、及改进。

Claims (7)

1.一种基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于，包括以下步骤：
1）收集某道路历年的月度交通量数据，建立道路月度交通量时间序列；
2）将月度交通量时间序列
Figure 397240DEST_PATH_IMAGE001
Figure 188479DEST_PATH_IMAGE002
运用SARIMA模型进行线性预测，得到线性结果
Figure 267293DEST_PATH_IMAGE003
Figure 765271DEST_PATH_IMAGE004
；
3）由SARIMA模型所得线性结果
Figure 536918DEST_PATH_IMAGE003
Figure 549873DEST_PATH_IMAGE004
和原始序列
Figure 432378DEST_PATH_IMAGE005
Figure 784862DEST_PATH_IMAGE002
计算残差
Figure 727410DEST_PATH_IMAGE006
Figure 165345DEST_PATH_IMAGE007
，提取残差序列；
4）利用残差序列构建NAR模型，进行非线性预测，获取非线性结果
Figure 648279DEST_PATH_IMAGE008
Figure 120849DEST_PATH_IMAGE009
；
5）叠加线性结果
Figure 234298DEST_PATH_IMAGE003
Figure 159529DEST_PATH_IMAGE004
和非线性结果
Figure 443224DEST_PATH_IMAGE008
Figure 504721DEST_PATH_IMAGE009
，获得最终月度交通量的预测结果
Figure 789072DEST_PATH_IMAGE010
Figure 201598DEST_PATH_IMAGE011
；
6）通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价。
2.根据权利1所述的基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于：所述步骤2）中，SARIMA模型，即季节性ARIMA模型，是在ARIMA模型的基础上增加季节性参数项而形成的模型，通过该模型可以对具有季节性特点的数据进行建模预测；SARIMA(p, d, q) (P, D, Q) m 模型的表达式如下：
Figure 229597DEST_PATH_IMAGE012
(1)
式(1)中，p为非季节自回归阶数，d为非季节差分阶数，q为非季节移动平均阶数，P为季节自回归阶数，D为季节差分阶数，Q为季节移动平均阶数，
Figure 473497DEST_PATH_IMAGE013
Figure 663170DEST_PATH_IMAGE014
为自回归项系数，
Figure 562993DEST_PATH_IMAGE015
Figure 129103DEST_PATH_IMAGE016
为移动平均项系数，L为滞后算子，m为周期数（月度数据m=12，季度数据m=4），
Figure 430772DEST_PATH_IMAGE017
Figure 853663DEST_PATH_IMAGE018
为白噪声序列。
3.根据权利2所述的SARIMA模型，其特征在于：SARIMA模型的建模过程主要为：第一步，将具有季节性的非平稳月度交通量时间序列进行季节性和非季节性差分处理；第二步，差分序列进行单位根(ADF)检验；第三步，比较序列ADF检验的t统计量和p值，确定非季节差分阶数d和季节差分阶数D；第四步，分别绘制自相关(ACF)图和偏自相关(PACF)图；第五步，根据贝叶斯信息度量(BIC)确定最终的SARIMA模型。
4.根据权利1所述的基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于：所述步骤3）中，残差的计算公式为：
Figure 240782DEST_PATH_IMAGE019
(2)。
5.根据权利1所述的基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于：在所述步骤4）中，NAR模型是非线性自回归模型，是一种专门针对时间序列进行分析处理的动态神经网络模型，该模型将当前时期输出，重新指向元神经网络层的输入端，为下一个时期的输出提供依据和参考；NAR动态神经网络所构建其数学方程如下：
Figure 610583DEST_PATH_IMAGE020
(3)
式(3)中，d为延时阶数，y(t)为当前所求预测值；
其中，NAR模型的建模过程主要为：第一步，将所述步骤3）中的残差序列进行Max-Min归一化处理，归一化的转换公式见式(4)；第二步，通过比较模型在多次训练后的均方误差(MSE)及其稳定性，确定最优模型；
Figure 501179DEST_PATH_IMAGE021
(4)
式(4)中，
Figure 298233DEST_PATH_IMAGE022
Figure 969386DEST_PATH_IMAGE023
为归一化后的序列值，x为原始序列，
Figure 142879DEST_PATH_IMAGE024
Figure 153560DEST_PATH_IMAGE025
、
Figure 121516DEST_PATH_IMAGE026
Figure 217648DEST_PATH_IMAGE027
分别为原始序列的最大值和最小值。
6.根据权利1所述的基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于：所述步骤5）中，SARIMA模型和NAR动态神经网络叠加，其数学表达式为：
Figure 991569DEST_PATH_IMAGE028
(5)
式(5)中，
Figure 856757DEST_PATH_IMAGE010
Figure 995614DEST_PATH_IMAGE011
、
Figure 579042DEST_PATH_IMAGE003
Figure 891075DEST_PATH_IMAGE004
、
Figure 876348DEST_PATH_IMAGE008
Figure 186107DEST_PATH_IMAGE009
分别为SARIMA-NAR组合模型、SARIMA模型、NAR模型的预测结果；
Figure 256831DEST_PATH_IMAGE003
Figure 310238DEST_PATH_IMAGE004
表示线性成分，
Figure 212335DEST_PATH_IMAGE008
Figure 692994DEST_PATH_IMAGE009
表示非线性成分。
7.根据权利1所述的基于SARIMA-NAR组合模型的道路月度交通量预测方法，其特征在于：所述步骤6）中，平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)评价指标的计算公式如下：
Figure 985436DEST_PATH_IMAGE029
(6) ；
Figure 842533DEST_PATH_IMAGE030
(7)；
Figure 536820DEST_PATH_IMAGE031
(8) 。
CN202110457415.1A 2021-04-27 2021-04-27 基于sarima-nar组合模型的道路月度交通量预测方法 Pending CN113516845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110457415.1A CN113516845A (zh) 2021-04-27 2021-04-27 基于sarima-nar组合模型的道路月度交通量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110457415.1A CN113516845A (zh) 2021-04-27 2021-04-27 基于sarima-nar组合模型的道路月度交通量预测方法

Publications (1)

Publication Number Publication Date
CN113516845A true CN113516845A (zh) 2021-10-19

Family

ID=78063608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110457415.1A Pending CN113516845A (zh) 2021-04-27 2021-04-27 基于sarima-nar组合模型的道路月度交通量预测方法

Country Status (1)

Country Link
CN (1) CN113516845A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550454A (zh) * 2022-02-24 2022-05-27 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法
CN116110237A (zh) * 2023-04-11 2023-05-12 成都智元汇信息技术股份有限公司 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质
CN117709530A (zh) * 2023-12-13 2024-03-15 中国司法大数据研究院有限公司 一种消除农历新年影响的案件量预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992244A (zh) * 2015-07-08 2015-10-21 中国民用航空总局第二研究所 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN106845714A (zh) * 2017-01-24 2017-06-13 东南大学 一种基于季节指数的arima模型预测城市轨道交通月度客流方法
CN108304355A (zh) * 2018-02-08 2018-07-20 北京工业大学 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN108877223A (zh) * 2018-07-13 2018-11-23 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN108921355A (zh) * 2018-07-03 2018-11-30 国家计算机网络与信息安全管理中心 一种基于时间序列预测模型的告警阈值设定方法及装置
CN110111902A (zh) * 2019-04-04 2019-08-09 平安科技（深圳）有限公司 急性传染病的发病周期预测方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992244A (zh) * 2015-07-08 2015-10-21 中国民用航空总局第二研究所 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN106845714A (zh) * 2017-01-24 2017-06-13 东南大学 一种基于季节指数的arima模型预测城市轨道交通月度客流方法
CN108304355A (zh) * 2018-02-08 2018-07-20 北京工业大学 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN108921355A (zh) * 2018-07-03 2018-11-30 国家计算机网络与信息安全管理中心 一种基于时间序列预测模型的告警阈值设定方法及装置
CN108877223A (zh) * 2018-07-13 2018-11-23 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN110111902A (zh) * 2019-04-04 2019-08-09 平安科技（深圳）有限公司 急性传染病的发病周期预测方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGBIN WANG 等: "Time series modeling of pertussis incidence in China from 2004 to 2018 with a novel wavelet based SARIMA-NAR hybrid model", 《PLOS ONE》 *
李晓磊等: "基于SARIMA模型的船舶交通流量预测研究", 《武汉理工大学学报(交通科学与工程版)》 *
钱名军等: "基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法", 《铁道学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550454A (zh) * 2022-02-24 2022-05-27 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法
CN114550454B (zh) * 2022-02-24 2023-05-09 南京感动科技有限公司 一种基于交通流矩阵组合模型的交通流量预测方法
CN116110237A (zh) * 2023-04-11 2023-05-12 成都智元汇信息技术股份有限公司 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质
CN117709530A (zh) * 2023-12-13 2024-03-15 中国司法大数据研究院有限公司 一种消除农历新年影响的案件量预测方法

Similar Documents

Publication Publication Date Title
CN113516845A (zh) 基于sarima-nar组合模型的道路月度交通量预测方法
Wang et al. Modeling carbon emission trajectory of China, US and India
Hamzaçebi Improving artificial neural networks’ performance in seasonal time series forecasting
CN106295874B (zh) 基于深信度网络的交通流参数预测方法
Yu et al. An effective rolling decomposition-ensemble model for gasoline consumption forecasting
CN109284866B (zh) 商品订单预测方法及装置、存储介质、终端
McAdam et al. Forecasting inflation with thick models and neural networks
CN111310981B (zh) 一种基于时间序列的水库水位趋势预测方法
Tajani et al. Data-driven techniques for mass appraisals. Applications to the residential market of the city of Bari (Italy)
CN110909928B (zh) 能源负荷短期预测方法、装置、计算机设备及存储介质
Lu et al. Short-term demand forecasting for online car-hailing using ConvLSTM networks
CN111222992A (zh) 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法
Yu et al. Research on combinational forecast models for the traffic flow
Ma et al. Urban natural gas consumption forecasting by novel wavelet-kernelized grey system model
CN115421216A (zh) 一种基于stl-arima-nar混合模型的中长期月降雨预报方法
Elkharbotly et al. Toward sustainable water: prediction of non-revenue water via artificial neural network and multiple linear regression modelling approach in Egypt
Oh et al. Investigating the effects of daily travel time patterns on short-term prediction
Niknam et al. Developing an LSTM model to forecast the monthly water consumption according to the effects of the climatic factors in Yazd, Iran
Kaninde et al. Stock price prediction using facebook prophet
Taffese Case-based reasoning and neural networks for real estate valuation.
He et al. Can sampling techniques improve the performance of decomposition-based hydrological prediction models? Exploration of some comparative experiments
Jia et al. A hybrid model based on wavelet decomposition-reconstruction in track irregularity state forecasting
Ghimire et al. Efficient daily electricity demand prediction with hybrid deep-learning multi-algorithm approach
CN114091768A (zh) 基于stl和带有注意力机制的lstm的旅游需求预测方法
Li Prediction of house price index based on machine learning methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211019