论文摘要
高速公路短时交通流量预测对高速公路运行管理和高速公路运行效率提升具有重要意义。高速公路收费大数据具有海量性、实时性、复杂性和动态性,而传统的时间序列模型存在建模复杂、适应性差的不足。为了提高交通流量预测的精度,利用高速收费大数据,从模型识别和参数调整两方面进行了优化,提出了一种改进的ARIMA(Autoregressive Integrated Moving Average Model,自回归滑动平均模型)预测模型。通过基于真实数据的实验表明,改进后的时间序列模型有效克服了传统时间序列模型的不足,并对不同的交通状况具有较好的适应性,无论在节假日还是工作日均具有更高的预测精度。
论文目录
文章来源
类型: 期刊论文
作者: 刘艳丽,赵卓峰,丁维龙,徐扬
关键词: 交通流量,短时预测,时间序列
来源: 计算机与数字工程 2019年05期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输
单位: 北方工业大学计算机学院,大规模流数据集成与分析技术北京市重点实验室,北京易华录信息技术股份有限公司
基金: 北京市自然科学基金(编号:4162021),国家自然科学基金(编号:61702014)资助
分类号: U491.14
页码: 1164-1169+1188
总页数: 7
文件大小: 1719K
下载量: 234