时间序列模型在乌鲁木齐交通事故分析中的应用.docVIP

时间序列模型在乌鲁木齐交通事故分析中的应用 　　【摘 要】 文章研究时间序列模型在乌鲁木齐月交通事故中的应用。分析了乌鲁木齐2007年1月至2013年12月的月交通事故数，建立一般时间序列ARIMA模型和季节时间序列SARIMA模型。结果表明剔除时间趋势和季节性的SARIMA（0，1，1）（0，1，1）12模型适合研究乌鲁木齐月交通事故数，利用模型进行短期预测并比较了2014年1月至8月的月交通事故数的实际值和预测值，验证了模型的准确性和科学性，可为乌鲁木齐政策制定者在预测未来交通事故时提供一定参考。 　　【关键词】 ARIMA模型 SARIMA 模型 交通事故 分析 预测 　　1 引言 　　随着国家西部大开发的深入进行以及对新疆发展的大力支持，乌鲁木齐经济建设迅速发展，汽车保有量急剧升高，引起交通事故频繁发生。据统计，乌鲁木齐2007年1月至2014年8月共发生交通事故5158起，其万车事故率是北京万车事故率的2.1倍，是上海万车事故率的1.3倍[1]，交通安全形势十分严峻。 　　从统计学角度来说，在道路交通样本数据比较少并且表现为严重的非平稳性时，获得准确的预测结果并不容易。时间序列模型中的ARIMA模型及其扩展模型――SARIMA（seasonal ARIMA model）模型可以拟合数据少的样本，而且在众多的预测方法中，其短期预测精度较高[2]。目前，时间序列模型被广泛地运用于医疗领域[3]和经济领域[4]，将模型运用于交通事故数据分析并进行短期预测的研究较少。 　　本文利用乌鲁木齐2007年1月至2013年12月的月交通事故数建立ARIMA模型和SARIMA模型，找出最佳时间序列模型，再进行2014年1至8月短期交通事故数量的预测。 　　2 模型方法 　　ARIMA 模型是一类随机差分自回归移动平均模型，包括自回归模型（autoregressive model，简称AR模型）和移动平均模型（moving average model，简称MA模型）。该模型的一般形式为ARIMA（p，d，q），其中p为自回归项数，q为移动平均项数，d为差分次数。对于p阶的自回归AR（p），模型可以写为：Yt=β0+β1yt-1+…+βpyt-p+εt。对于q阶移动平均过程MA（q），模型可以写为：Yt=μ+εt+θ1εt-1+θ2εt-2+…+θqεt-q.。将AR（p）与MA（q）结合得到ARIMA（p，d，q）模型：Yt=β0+β1yt-1+…+βpyt-p+εt+θ1εt-1+…+θqεt-q。其中，εt为白噪声，满足期望值为0，方差相同且无自相关性。该方法将随时间变化而形成的数据序列视为一个时间序列，用数学模型拟合后，可根据序列的过去和现在的值来预测其未来值。 　　SARIMA模型是一类季节性差分自回归移动平均模型，由ARIMA 模型和随机季节模型（stochastic seasonal model）组合而成。该模型的一般形式为SARIMA（p，d，q）（P，D，Q）S，其中P是季节自回归阶数，Q是季节移动平均阶数，D为季节差分次数，月度数据s为12。相对于一般的ARIMA模型，SARIMA模型考虑时间序列中的周期性和季节性，可作为既有季节效应又有长期周期效应的时间序列的预测。 　　3 模型建立与分析 　　3.1 数据预处理 　　本文使用的数据为2007年1月至2013年12月乌鲁木齐市公安交警支队接到报警后现场勘察的共5158起事故记录的统计数据（其中2013年12月以前的数据用来拟合模型，之后的数据用来验证预测的准确性）。乌鲁木齐在每年的5月至10月事故数量有所增加，旅游旺季8月的事故数较多。将乌鲁木齐的月交通事故进行对数化处理，消除原始序列的异方差[5]。 　　3.2 ARIMA模型的建立与检验 　　将处理过的时间序列进行单位根检验，其检验统计量的值为-3.451小于5% 置信水平的值-2.904，说明该时间序列的波动性已经消除，成为平稳的时间序列，再进行一般时间序列ARIMA模型的拟合。 　　由于月交通事故取对数的时间序列没有进行差分就达到平稳，所以d=0，通常情况下p，q≤3。当AR（p）和MA（q）的值小于0.05时，模型具有显著性，才能拟合时间序列。通过比较显著性时间序列模型的AIC和BIC的值来选取最佳拟合模型。其中，ARIMA（3，0，2）模型AIC和BIC的值最小，拟合程度最高。进行白噪声检验后，发现其残差序列的检验值为0.041小于0.05，说明该拟合模型不适合解释当前时间序列，还存在有用信息未被提取。 　　3.3 SARIMA模型的建立与检验 　　考虑乌鲁木齐的月交通事故数具有周期性和季节效应，进行季节时间序列SARIMA模型的拟合。对原月交通事故取对数的时间序列