季节性ARiMA模型在稀疏交通流下的预测方法

交通流监测存在普遍的稀疏性,理想的交通流预测模型应该能够充分利用交通流数据的特征,克服稀疏性问题。通过大量的数据分析,城市道路交通流被证实存在时序上的周期性特征。同时,数据分析结果也表明了交通观测数据稀疏性的普遍存在,而且稀疏的分布不均匀,有些极端稀疏道路甚至出现数天的观测缺失。因此,交通流预测模型应该有对稀疏的适应性,而季节性ARiMA交通流预测模型的引入能够很好地利用时序周期特征计算交通观测值的缺失。这种模型的优势在于融合了邻近的交通流观察值和交通流数据的周期性,消除了道路稀疏性导致观测值缺失带来的预测障碍。对比试验的展示表明了这种模型对交通流数据周期性特征的利用和对稀疏性的适应。