摘 要：车辆检测器是交通管理中重要的数据采集工具，但在实际运用过程中，数据丢失问题往往影响其作用的发挥。本研究旨在建立一个可实用于交通控制中心的车检器缺失数据修补模型，尝试以不同模型来预测并修补车辆检测器缺失的数据，并对比各种模型的修补效果。文中提出了以ARIMA结合模糊时间序列的交通流量预测方法以及使用ARIMA进行短时间实时修补的方法，并获得了不错的效果。
关键词：交通流量预测；ARIMA；模糊时间序列；车辆检测器
0 引 言
车辆检测器是交通管理者掌握道路交通运行状况的重要工具。但是，在实际运用过程中，车辆检测器常因环境、维护、性能等原因发生数据丢失的现象。车辆检测器数据的丢失使得基于其所产生的控制和决策方案产生偏差甚至失效，无法彰显投资车辆检测器的应用价值。车检器数据修补算法是辅助提高车检器检测稳定性与准确性的途径之一。
本研究利用时间序列以及模糊时间序列的相关理论，根据交通流运行特征在工作日和假日的差异将车检器数据分成工作日和假日两种模式进行预测分析，使其能够对短时间内缺失的数据进行及时修补。并对比时间序列以及模糊时间序列两种方式进行数据修复的效果差异。
1 模型建立
数据为西安绕城高速单台车检器2014年全年数据，数据接收频率为每5分钟一次，理论上一天共288条数据记录。
1.1 数据预处理
数据预处理分为如下几项：
（1）首先将数据分为工作日和假日两种模式，再分别以ARIMA、混合模式以及传统平均法进行修补效率的比较。
（2）因车检器数据常发生缺漏和异常值，本研究采用6sigma理论对数据进行离群值判定，即先计算同一模式（工作日、假日模式）下同一时刻流量均值，将平均值正负6倍标准差范围外的流量数据判为异常值。
（3）本研究将进行ARIMA即时动态修补，以t-1时数据来预测t时的流量，持续验证峰值1小时内12条记录并计算绝对平均误差（MAPE）。
（4）本研究所使用的ARIMA模型由SPSS18.0建立，模糊时间序列由Matlab编写而成。
（5）模型以2/3的真实数据来建立（采用车检器2014年1～9月数据，剩下10～12月数据用来验证模式的准确性）。
1.2 ARIMA的建立
手机版
欢迎光临汇博在线http://www.paper188.com