基于ARIMA和灰色模型加權(quán)組合的短期交通流預(yù)測

談苗苗，成孝剛，周 凱，李海波

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

基于ARIMA和灰色模型加權(quán)組合的短期交通流預(yù)測

談苗苗，成孝剛，周 凱，李海波

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

交通流預(yù)測是智能交通系統(tǒng)至關(guān)重要的一部分，應(yīng)用于交通流預(yù)測的方法非常多，由于實際路況的復(fù)雜性和單個方法的局限性，現(xiàn)有方法的精確度亟待提高。為解決這一問題，采用數(shù)據(jù)融合的方法，對傳感器采集的原始數(shù)據(jù)做數(shù)據(jù)預(yù)處理，利用小波分析去除信號多余的噪聲，然后利用ARIMA模型和灰色模型分別對同一交通流序列進行建模，得出兩者各自的預(yù)測結(jié)果后，找出最佳權(quán)值對兩種模型的結(jié)果進行加權(quán)，得到數(shù)據(jù)融合后的預(yù)測結(jié)果。仿真結(jié)果表明，該組合模型改善了單個預(yù)測方法的短處，使得預(yù)測精度有所提高。

數(shù)據(jù)融合；ARIMA；灰色模型；加權(quán)；小波分析

0 引 言

近年來，交通流預(yù)測成為智能交通系統(tǒng)中十分重要的一項工作，在交通管理和控制系統(tǒng)的計劃和發(fā)展中起著基礎(chǔ)作用，其目的是基于過去的數(shù)據(jù)來預(yù)測一個運輸網(wǎng)中將來的交通流量情況[1]。應(yīng)用于交通流預(yù)測的方法數(shù)不勝數(shù)，其可分為三類：傳統(tǒng)統(tǒng)計理論方法、神經(jīng)網(wǎng)絡(luò)預(yù)測方法和非線性預(yù)測方法[2]，其中一些預(yù)測方法在交通流預(yù)測應(yīng)用中取得了不錯的預(yù)測結(jié)果，但由于道路交通系統(tǒng)是一個有高度不確定性、時變復(fù)雜的系統(tǒng)，有多種多樣的因素會干擾交通流數(shù)據(jù)的監(jiān)測，給交通流的預(yù)測帶來一定的困難[3]。同時，由于單個預(yù)測方法不適用于所有交通狀態(tài)，使得預(yù)測精度難以提高，所以文中使用兩種預(yù)測模型的加權(quán)組合方法，使模型之間進行互補，從而提高預(yù)測精度,給智能交通系統(tǒng)的研究加入了新元素。文中使用加州交通局所采集的交通流量數(shù)據(jù)，這些數(shù)據(jù)為道路上的定點傳感器每隔5 min采集一次所得。

1 數(shù)據(jù)預(yù)處理

將交通流信號模型表示為：f(t)=s(t)+n(t),t=0,1,…,n-1。其中，s(t)是有效信號，n(t)是噪聲信號，f(t)是現(xiàn)實中傳感器取得的交通流信號。小波閾值去噪相比傳統(tǒng)的傅里葉分析可以很好地保存信號中的尖峰和突變部分[4]，故文中通過對原始時間序列的分解、閾值處理和重構(gòu)對交通流信號進行去噪處理。

1.1 小波分解

交通流信號是離散信號，所以文中采用多尺度一維離散小波分解。離散小波變換公式為：

(1)

利用式(1)將交通流信號進行兩尺度分解，當(dāng)信號通過高通濾波器和低通濾波器后，輸出參數(shù)C和L。

1.2 軟閾值處理

交通流信號中的噪聲可視為高斯白噪聲，小波域中的有效信號對應(yīng)的系數(shù)比噪聲對應(yīng)的系數(shù)大很多[5]。根據(jù)這個特點，文中使用軟閾值法進行去噪處理，其表達式為：

xλ=(f-sgn(f)T)I(|f|>T)

(2)

1.3 小波重構(gòu)

根據(jù)小波分解的第2層低頻系數(shù)以及閾值量化處理后的第1、2層高頻系數(shù)，進行信號的小波重構(gòu)[6]，即可得到去噪后的交通流時間序列。

2 基礎(chǔ)建模

2.1 時間序列建模

2.1.1 變動處理

經(jīng)過小波去噪處理后得到新的交通流序列,即：{x(t),t=0,1,…,n}。趨勢是時間序列自身發(fā)展變化的基本規(guī)律和特點，交通流時間序列通過差分可以消除趨勢[7]。經(jīng)過d階逐期差分后，如果差分后的自相關(guān)系數(shù)很快趨于0，則說明趨勢已經(jīng)消失，得到新的齊次序列yt，記為：

yt=dxt,t>d

(3)

序列的季節(jié)性會在趨勢變動消除后顯現(xiàn)出來，由于差分步長應(yīng)與季節(jié)周期一致，故需計算和考察差分后序列的AC和PAC，判斷時間序列的季節(jié)周期[8]。令季節(jié)差分后的新序列為wt，可表示為：

(4)

2.1.2 均值檢驗

2.1.3 階數(shù)估計和參數(shù)估計

為了方便直接對原序列xt進行預(yù)測，且使預(yù)測結(jié)果可以直觀明了，文中選擇對原序列xt建立ARIMA(p,d,q)(P,D,Q)S模型[10-11]。通過計算和考察wt的AC和PAC，可以決定p和q的大小。確定模型的階數(shù)后，使用最小二乘法進行參數(shù)估計，流程如下：

(1)擬合模型為：

w估=φ1yt-1+φ2yt-2+…+φpyt-p+ut-θ1ut-1-θ2ut-2-…-θqut-q

(6)

(2)假設(shè)實測值為w實，預(yù)測值為w估，令：

φ=∑(w實-w估)2

(7)

(3)將式(6)帶入式(7)，得：

φ=∑{w實-(φ1yt-1+φ2yt-2+…+φpyt-p+ut-θ1ut-1-θ2ut-2-…-θqut-q)}2

(8)

(4)分別對φ1，φ2，…，φp和θ1，θ2，…，θq求偏導(dǎo)，令偏導(dǎo)數(shù)等于0，即：

(9)

(10)

(5)化簡式(9)和式(10)解方程組，即可獲得模型參數(shù)：

(11)

2.1.4 模型預(yù)測結(jié)果分析

對于模型的預(yù)測結(jié)果，使用希爾不等系數(shù)(TIC)作為預(yù)測評價指標，當(dāng)TIC越接近0時，表明預(yù)測精度越高[12]，其計算方法如式(12)。使用偏差率(BP)、方差率(VP)和協(xié)變率(CP)分析誤差成分，其計算公式如(13)。

(12)

(13)

2.1.5ARIMA模型算法流程

算法：季節(jié)性差分自回歸移動平均模型算法。

輸入：歷史交通流數(shù)據(jù){f(t)=s(t)+n(t),t=0,1,…,n-1}；

輸出：季節(jié)性差分自回歸移動平均模型的預(yù)測序列{A(t),t=0,1,…,n-1}。

步驟如下：

(1)利用式(1)進行小波分解，將分解后的信號帶入式(2)進行軟閾值處理，根據(jù)小波分解的低頻系數(shù)以及閾值量化處理后的高頻系數(shù)進行小波重構(gòu)，得到去噪后的交通流時間序列{x(t),t=0,1,…,n}。

(2)通過式(3)、式(4)對序列x(t)進行平穩(wěn)化處理，去除序列的趨勢變動和季節(jié)變動，輸出平穩(wěn)序列w(t)。

(3)利用式(5)計算平穩(wěn)序列w(t)的均值和均值標準誤，如果符合均值零假設(shè)，進入下一步。

(4)觀察序列的AC和PAC，確定ARMA(p,q)的階數(shù)。

(5)使用式(6)～(11)即最小二乘法估計參數(shù)，得到ARMA預(yù)測模型，如果參數(shù)估計合理，進入下一步，否則回到步驟2。

(6)預(yù)留出一部分歷史數(shù)據(jù)，利用除預(yù)留數(shù)據(jù)外的數(shù)據(jù)進行預(yù)測，將預(yù)測結(jié)果和預(yù)留部分進行比較，通過式(12)、式(13)計算決定系數(shù)，判斷預(yù)測效果，得到交通流預(yù)測分析報告。

2.2 灰色模型建模

交通流的歷史數(shù)據(jù)有難獲取、不精確的現(xiàn)象，往往給預(yù)測帶來不小的困難。灰色模型可以對僅有少量數(shù)據(jù)的時間序列進行建模，利用其建立的指數(shù)模型具有十分精確的短期預(yù)測效果[13]。但由于其預(yù)測結(jié)果往往呈現(xiàn)指數(shù)趨勢，故需要不斷變換模型參數(shù)。文中采用動態(tài)灰色模型，實時更新模型參數(shù)，實現(xiàn)少量數(shù)據(jù)情況下的短期預(yù)測，以下是灰色模型的建模步驟：

(1)采集6個去噪后的交通流量數(shù)據(jù)，構(gòu)造累加生成序列。

(2)構(gòu)造數(shù)據(jù)矩陣B和數(shù)據(jù)向量Y1，計算BTB，(BTB)-1,BTY1，得到a,u[14]，得出預(yù)測模型：

(14)

(3)結(jié)果檢驗。

計算原始序列標準差和絕對誤差序列的標準差，得出方差比：

(15)

計算小誤差概率：

(16)

3 數(shù)據(jù)融合

3.1 模型組合

圖1 ARIMA和GM(1，1)建模和加權(quán)組合流程圖

加權(quán)完成后，需要計算出具體的權(quán)值。為了提高該組合模型的應(yīng)用能力，文中引進在線更新技術(shù)，使用動態(tài)權(quán)值對單個模型的預(yù)測數(shù)據(jù)進行加權(quán)組合。權(quán)值w取0.00～1.00中的100個數(shù)值，通過圖2的循環(huán)計算，輸出一百組與權(quán)值w相關(guān)的數(shù)據(jù)，得到一組加權(quán)后的交通流量值，記為:

(17)

圖2 權(quán)值w的計算流程圖

3.2 權(quán)值確定

經(jīng)過上述處理后，得到一百組與權(quán)值w相關(guān)的交通流數(shù)據(jù)。為了確定w的具體值，引入相關(guān)系數(shù)這個概念，其為衡量兩個隨機變量之間線性相關(guān)程度的指標[15]。通過式(18)，比較各組數(shù)據(jù)與實際數(shù)據(jù)的相關(guān)性，得出最佳權(quán)值。

4 計算機仿真結(jié)果

4.1 ARIMA(p,d,q)

(1-0.832 1B)(1-0.964 2B10+0.001 4B10)(1+0.328 2B-0.403 5B2)(1-B)(1-B10)log(xt)=(1+0.916 9B10)μt

將數(shù)據(jù)帶入上述ARIMA模型中進行預(yù)測，預(yù)測數(shù)據(jù)與預(yù)測結(jié)果評價指標如圖3所示。可以看到，平均絕對百分誤差(MAPE)=2.616 1，TIC=0.0163，BP=0.000 3，VP=0.052 3，CP=0.946 9，均在理想范圍內(nèi)。

圖3 預(yù)測數(shù)據(jù)圖和預(yù)測指標結(jié)果圖

4.2 GM(1，1)

取6個時隔五分鐘的交通流量數(shù)據(jù)，通過式(14)得到相關(guān)矩陣和參數(shù)，確定模型為：

X(1)(k+1)=-179 96.826 512 885 8e-0.020 913 357 714 412 9k+18 371.706 512 885 8

根據(jù)模型對下一個50分鐘的數(shù)據(jù)進行預(yù)測，得到以下預(yù)測結(jié)果(見圖4)，并且用過殘差檢驗和后驗差檢驗得到方C=0.093 2,小誤差概率P=1，均在理想范圍內(nèi)。

4.3 模型組合

對兩個模型進行組合，通過流程圖得到權(quán)值w的具體值以及組合后的預(yù)測結(jié)果。圖5是ARIMA(2,1,2)(1,1,1)10、GM(1，1)單獨預(yù)測結(jié)果和實際數(shù)據(jù)的相關(guān)系數(shù)值，以及兩者相結(jié)合的預(yù)測結(jié)果和實際數(shù)據(jù)的相關(guān)系數(shù)值。

圖5 相關(guān)系數(shù)比較結(jié)果

從圖中可以得出rACTUAL+ARIMAFORECAST=0.973 890，rACTUAL+GMFORECAST=0.949 520，rACTUAL+COMBINATION=0.982 541，故可知模型組合后的預(yù)測結(jié)果和實際數(shù)據(jù)的相關(guān)度最高，即兩個模型預(yù)測結(jié)果的加權(quán)組合與實際交通流時間序列更加匹配，說明組合后的預(yù)測精度有所提高。

5 結(jié)束語

文中提出一種將ARIMA(p,d,q)(P,D,Q)和GM(1，1)的預(yù)測結(jié)果進行加權(quán)組合的方法，首先采集一組原始交通流數(shù)據(jù)，利用小波分析對其做去噪處理，再使用ARIMA(p,d,q)(P,D,Q)和GM(1，1)兩種基礎(chǔ)模型對預(yù)處理后的數(shù)據(jù)分別建模，得到兩者的預(yù)測結(jié)果后，利用動態(tài)權(quán)值w將兩個模型的預(yù)測結(jié)果進行加權(quán)組合，得到最終改善后的預(yù)測結(jié)果。通過對加州交通局提供的數(shù)據(jù)進行仿真實驗，證明該方法使模型不僅適用于正常狀態(tài)，也適用于突發(fā)狀態(tài)，提高了預(yù)測精度，增加了模型的適用性。

[1]DaraghmiYousef-Awwad,YiChih-Wei,ChiangTsun-Chieh.Negativebinomialadditivemodelsforshort-termtrafficflowforecastinginurbanareas[J].IEEETransactionsonIntelligentTransportationSystems,2015,15(2):784-793.

[2]TeselentisDI,VlahgianniEI.Improvingshort-timetrafficforecasts:tocombinemodelsornottocombine?[J].IETIntelligentTransportSystems,2014,4(12):202-210.

[3]HouYi,EdaraP,SunC.Trafficflowforecastingforurbanworkzones[J].IEEETransactionsonIntelligentTransportationSystems,2015,16(4):1761-1770.

[4]VlahogianniEI,YannisG,GoliasJC.Criticalpowertwowheelerdrivingpatternsattheemergenceofanincident[J].AccidentAnalysisandPrevention,2013,58:340-345.

[5]ChenC,HuJ,MengQ,etal.Short-timetrafficflowpredictionwithARIMA-GRACHmodel[C]//ProcofIEEEintelligentvehiclesymposium.[s.l.]:IEEE,2011:606-611.

[6]MinW,WynterL.Real-timeroadtrafficpredictionwithspatio-temporalcorrelations[J].TransportationResearchPartCEmergingTechnologies,2010,19(4):606-616.

[7]DoorleyR,PakrashiV.Short-termforecastingofbicycletrafficusingstructuraltimeseriesmodels[C]//ProcofIEEE17thinternationalconferenceonintelligenttransportationsystems.[s.l.]:IEEE,2014:212-220.

[8]DeenihanG,CaulfieldB.Estimatingthehealtheconomicbenefitsofcycling[J].JournalofTransport&Health,2014,1(2):141-149.

[9]R-Core-Team.R:alanguageandenvironmentforstatisticalcomputingRfoundationforstatisticalcomputing[M].[s.l.]:[s.n.],2013.

[10]ZhangDongchen,WangShoufeng.AnovellongtermtrafficforecastalgorithmandcasestudyforChina[C]//Procofinternationalconferenceonadvancedinformationnetworkingandapplicationsworkshops.[s.l.]:[s.n.],2014:425-430.

[11]SommerM,TomfordeS,HanerJ.Usinganeuralnetworkforforecastingonanorganictrafficcontrolmanagementsystem[C]//Procofinternationalworkshoponembeddedself-organizingsystems.[s.l.]:[s.n.],2013.

[12]WangHaiyan,WangYouzhen.Vesseltrafficflowforecastingwiththecombinedmodelbasedonsupportvectormachine[J].TransportationInformationandSafty,2015,3:695-698.

[13]ChanKY,DillonTS,SinghJ,etal.Neural-network-basedmodelsforshort-termtrafficflowforecastingusingahybridexponentialsmoothingandLevengberg-Marquardtalgorithm[J].IEEETransactionsonIntelligentTransportationSystems,2012,13(2):644-654.

[14]LippiM,BertiniM,FrasconiP.Short-termtrafficflowforecasting:anexperimentalcomparisonoftime-seriesanalysisandsupervisedlearning[J].IEEETransactionsonIntelligentTransportationSystems,2013,14(2):871-882.

[15]DunneS,GhoshB.Weatheradaptivetrafficpredictionusingneurowaveletmodels[J].IEEETransactionsonIntelligentTransportationSystems,2013,14(1):370-379.

Short-term Traffic Flow Forecasting Based on Combination of ARIMA and Gray Model

TAN Miao-miao,CHENG Xiao-gang,ZHOU Kai,LI Hai-bo

(School of Telecommunication and Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

Traffic flow forecasting is a very important part of the intelligent transportation system.There are many methods for traffic flow forecasting,most of them have good results for the traffic flow.However,due to the limitations of a single forecasting method,it cannot guarantee the accuracy of prediction in different situations.In order to solve this problem,the method of data fusion is used.The original data by sensors is carried out in data preprocessing,using wavelet analysis to remove the excess noise.Then,the ARIMA model and gray model are used to model the same traffic flow series.After the results of the two projections are come out,getting the optimal weights,and the results of the two models are weighted,and the results are obtained after data fusion.The simulation results show that the combination model improves the shortcomings of the single forecasting method,which makes the prediction accuracy improved.

data fusion;ARIMA;gray model;weighted;wavelet analysis

2016-01-05

2016-05-18

時間：2016-09-19

國家自然科學(xué)基金資助項目(61401236)；南京郵電大學(xué)引進人才項目(NY214005)

談苗苗(1991-)，女，研究方向為交通流預(yù)測在智能交通系統(tǒng)中的應(yīng)用；成孝剛，講師，通訊作者，研究方向為交通流預(yù)測在智能交通系統(tǒng)中的應(yīng)用和霧霾能見度檢測；李海波，中組部千人特聘教授、江蘇省特聘教授，博士生導(dǎo)師，研究方向為新媒體技術(shù)。

http://www.cnki.net/kcms/detail/61.1450.TP.20160919.0841.040.html

U491.112

A

1673-629X(2016)11-0077-05

10.3969/j.issn.1673-629X.2016.11.017