基于动态SARIMA模型的城市网络的短时交通流预测.pptxVIP

阅读报告 汇报人：王敏 导师： 王传云 Short-Term Traffic Flow Forecasting of Urban Network Based on Dynamic STARIMA Model 基于动态SARIMA模型的城市网络的短时交通流预测 International IEEE Conference on Intelligent Transportation Systems，2009. 目录 1.摘要 2.背景介绍 3.差分自回归移动平均（ARIMA）模型 4.时空自回归差分移动平均（STARIMA）模型 5.动态变比预测模型（DTRP） 6.Dynamic STARIMA模型 7.结论 摘要 Abstract—This paper puts forward a hybrid spatio-temporal method of short-term traffic forecasting, i.e., Dynamic Space-Time Autoregressive Integrated Moving Average Model (Dynamic STARIMA). This method combines STARIMA model and Dynamic Turn Ratio Prediction model (DTRP) to enhance the forecasting performance and efficiency on urban intersections. To verify the Dynamic-STARIMA modeling method in real situation, an experimental model is constructed to produce forecasting traffic flow for part of urban network in Beijing, China based on actual data. The prediction accuracy of Dynamic STARIMA model is generally satisfying compared to other forecasting methods, which testifies the advantage and practicability of the proposed model. 摘要 摘要--本文提出了一种混合时空的短时交通流预测方法，即动态时空自回归移动平均模型（动态STARIMA）。这种方法结合STARIMA模型和动态变比预测模型（DTRP）提高了对城市道路交叉口的预测性能和效率。为了验证动态STARIMA建模方法的实用性，构建了一个基于实际数据的实验模型，预测中国北京一部分城市网络的交通流。动态STARIMA模型的预测精度相比其他预测方法大体上是满意的，验证了该模型的优越性和实用性。 背景介绍 由于交通需求急剧增长，造成城市交通压力不断加大，交通拥堵时有发生。智能交通系统(ITS)是缓解城市拥堵问题的重要手段。当前城市道路智能交通系统在缓解交通压力方面主要通过交通诱导与控制两种方式。 城市道路交通路网的实时交通流预测是实现交通诱导和控制的关键是城市道路智能交通系统的一个重要组成部分。 ARIMA模型 ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，利用已知时间序列的过去值及现在值的加权线性组合来预测时间序列的未来值。 平稳的随机过程可以通过用白噪声激励线性时不变系统来产生，而线性系统又可以用线性差分方程来描述，这种模型就是自回归--移动平均(ARMA)模型。 若离散随机过程{x(n)}服从线性差分方程 e(n)位离散的白噪声， 为自回归参数， 为移动平均参数，p和q分别为AR阶数和MA阶数。ARMA过程通常用符号简记为ARMA(p,q). ARIMA模型 ARIMA模型 x(t)表示某路段t时段的交通流量,d表示差分次数，ｐ表示自回归时间延迟；ｑ表示移动平均时间延迟； 表示时间延迟i 时的自回归参数； 表示时间延迟j 时的移动平均参数；e(t)表示零均值的高斯白噪声时间序列。 STARIMA模型 STARIMA模型在 ARIMA 模型基础上，引入了空间属性，即在预测某路段未来时段的交通流量时，不仅考虑本路段过去及现在的交通流量，还把在空间上与该路段相连的其他路段的过去和现在时段的交通流量对目标路段未来交通流量的影响也考虑在内，且与目标路段距离越近的路段，其对目