基于ARIMA-GARCH-M模型的短时交通流预测方法

被引：27

作者：

王晓全

邵春福

尹超英

计寻

管岭

机构：

[1] 北京交通大学城市交通复杂系统理论与技术教育部重点实验室

来源：

北京交通大学学报 | 2018年 / 04期

关键词：

交通工程; 交通流时间序列; 预测; 异方差性; ARIMA-GARCH-M模型;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.

引用

页码：79 / 84

页数：6

共 10 条

[1] 一种组合核相关向量机的短时交通流局域预测方法 [J].

邴其春 ;

龚勃文 ;

杨兆升 ;

林赐云 ;

商强 .

哈尔滨工业大学学报, 2017, 49 (03) :144-149

[2] 改进粒子群算法优化BP神经网络的短时交通流预测 [J].

李松 ;

刘力军 ;

翟曼 .

系统工程理论与实践, 2012, 32 (09) :2045-2049

[3] 基于最小二乘支持向量机的交通流量预测模型 [J].

赵亚萍 ;

张和生 ;

周卓楠北京交通大学电气工程学院 ;

杨军 ;

潘成 ;

贾利民 .

北京交通大学学报, 2011, 35 (02) :114-117+136

[4] 基于神经网络和SARIMA组合模型的短期交通流预测 [J].

孙湘海 ;

刘潭秋 .

交通运输系统工程与信息, 2008, (05) :32-37

[5] 基于自适应模糊神经网络的交通流状态预测 [J].

王辉 .

交通与计算机, 2007, (04) :46-49

[6] 基于遗传算法的小波神经网络交通流预测 [J].

李婧瑜 ;

李歧强 ;

侯海燕 ;

杨立才 .

山东大学学报(工学版), 2007, (02) :109-112+120

[7]

Combining the Statistical Model and Heuristic Model to Predict Flow Rate[J] . Chunjiao Dong,Stephen H. Richards,Qingfang Yang,Chunfu Shao.Journal of Transportation Engineering . 2014

[8]

New Bayesian combination method for short-term traffic flow forecasting[J] . Jian Wang,Wei Deng,Yuntao Guo.Transportation Research Part C . 2014

[9] Combining kohonen maps with arima time series models to forecast traffic flow [J].

vanderVoort, M ;

Dougherty, M ;

Watson, S .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 1996, 4 (05) :307-318

[10] DYNAMIC PREDICTION OF TRAFFIC VOLUME THROUGH KALMAN FILTERING THEORY [J].

OKUTANI, I ;

STEPHANEDES, YJ .

TRANSPORTATION RESEARCH PART B-METHODOLOGICAL, 1984, 18 (01) :1-11

← 1 →