基于ARIMA模型的短時交通流預(yù)測研究

劉學(xué)剛，張騰飛，韓 印 LIU Xuegang,ZHANG Tengfei,HAN Yin

（上海理工大學(xué) 管理學(xué)院，上海 200093）

0 引言

隨著城市化進程不斷推進、智能交通系統(tǒng)的迅猛發(fā)展，汽車保有量日益增加，道路交通擁擠已經(jīng)成為制約城市發(fā)展的重要因素，僅僅依靠增加道路面積，不能有效解決交通堵塞問題，所以越來越多的學(xué)者開始研究智能交通系統(tǒng)用以提高道路通行能力，緩解城市的交通壓力。同時，短時交通流預(yù)測是實現(xiàn)智能交通系統(tǒng)中交通誘導(dǎo)與控制的首要問題之一，該預(yù)測能夠?qū)崿F(xiàn)城市道路路網(wǎng)最大化合理利用，極大程度降低交通事故的發(fā)生概率，提高社會經(jīng)濟效益，因此，可靠的短時交通流預(yù)測很有必要。同時克服短時交通流預(yù)測隨機性、周期性與不確定性是當(dāng)下的難點與重點。自20世紀(jì)70年代以來，交通學(xué)者就開始將其他領(lǐng)域應(yīng)用較為成熟的預(yù)測模型直接使用在短時交通流預(yù)測領(lǐng)域，如自回歸模型（MA）、自回歸移動平均模型（ARMA）等。這些模型未能有限反映出交通流的不確定性，無法克服其他外在干擾因素對交通流量的影響。由于時間跨度的縮短，使得預(yù)測的交通流受非線性干擾因素的影響較大，造成預(yù)測結(jié)果與預(yù)測精度不甚理想。隨著研究的深入，為了適應(yīng)交通流不確定性與非線性的特點，一種基于ARIMA模型（差分自回歸移動平均模型）的短時交通流預(yù)測使用廣泛。

國內(nèi)外基于ARIMA模型的研究眾多。1993年Kim與Hobeika將ARIMA模型應(yīng)用到高速公路交通流量預(yù)測中[1-2]；姚亞夫、曹鋒[3]采用ARIMA方法進行交通流量趨勢預(yù)測，并按照AIC準(zhǔn)則進行模型定階，最終通過實測數(shù)據(jù)進行驗證，結(jié)果表明，ARIMA模型能夠獲得較好的中短期預(yù)測精度。2008年張利、施化吉等基于ARIMA模型結(jié)構(gòu)的時間序列分析方法，用最小二乘法進行參數(shù)估計，同時對多個統(tǒng)計量進行誤差分析，結(jié)果表明：該算法在應(yīng)用于時變性強的短時交通流量預(yù)測時，相對于Astom算法具有更好地預(yù)測性能[4]。2017年張艷艷、劉曉佳[5]等根據(jù)已有事故資料，對事故過去發(fā)展變化的規(guī)律進行分析，參照現(xiàn)有水上交通條件，采用時間序列分析法中的ARIMA模型進行分析預(yù)測，對水上交通事故未來發(fā)展趨勢的科學(xué)推測。2019年謝紅利、趙樹鵬、王浩宇[6]通過ARIMA模型對重慶市軌道交通進站客流量進行預(yù)測，同時得出其所建立的預(yù)測方法可以適用于城市軌道交通的客流預(yù)測。孫旻根據(jù)崇遵高速公路車流量的時間序列，進行了ARIMA建模的實證分析，實驗中發(fā)現(xiàn)崇遵高速公路的出口流量序列為非平穩(wěn)序列，具有一定的趨勢和周期性，故利用ARIMA模型對該非平穩(wěn)時間序列進行建模預(yù)測，預(yù)測效果較為合理[7]。

縱觀以往的研究可以看出，盡管ARIMA模型具有波動性及不確定性，但其對于預(yù)測短時交通流仍然具有重要意義。本文首先考慮道路交通流時間序列的非平穩(wěn)性特征，通過差分使數(shù)據(jù)變得平穩(wěn)，并構(gòu)建ARIMA（ 6,1,）6模型，對上海市楊浦區(qū)大連路的短時交通流進行預(yù)測，結(jié)果表明ARIMA模型可以很好地擬合短時交通量數(shù)據(jù)，ARIMA模型在短時交通量預(yù)測中有很大應(yīng)用價值。

1ARIMA理論基礎(chǔ)

ARIMA（差分自回歸移動平均模型）是一種時間序列數(shù)據(jù)預(yù)測的統(tǒng)計方法，其描述的是某一時間序列變量自身的統(tǒng)計規(guī)律性，根據(jù)歷史時間序列的相關(guān)關(guān)系，揭示系統(tǒng)的動態(tài)結(jié)構(gòu)特性及其發(fā)展規(guī)律。

1.1ARIMA模型

ARIMA（差分自回歸移動平均模型）可以分為以下幾類：AR（自回歸模型）、MA（移動平均模型）、ARMA（自回歸移動平均模型）、ARIMA（差分自回歸移動平均模型）。預(yù)測思路是將預(yù)測主體隨時間變化形成的序列看作是一個隨機時間序列，通過若干次差分化使非平穩(wěn)數(shù)據(jù)轉(zhuǎn)化為平穩(wěn)序列，用一定的數(shù)學(xué)模型近似描述這個隨機序列[8]。這個模型一旦被識別，就可以用時間序列的現(xiàn)在或過去的數(shù)據(jù)來預(yù)測未來數(shù)據(jù)值。ARIMA模型在預(yù)測過程中僅考慮了時間序列的歷史數(shù)據(jù)，通過發(fā)掘自身規(guī)律建立模型，提取有效信息對數(shù)據(jù)進行預(yù)測，在數(shù)據(jù)預(yù)測方面有很大的應(yīng)用價值。

ARIMA（p,q,）d模型表達式為：

其中：yt是時間序列數(shù)據(jù)；p是自回歸項的系數(shù)；d是差分的階數(shù)；q是移動平均項的系數(shù)；ε是均值為0、方差為σ2的白噪聲序列；B是滯后算子，定義為Bkyt=yt-k,?1……?p和θ1……θq是系數(shù)。

如果數(shù)據(jù)是平穩(wěn)的時間序列數(shù)據(jù)，那么d=0，方程（1）就可以簡化為ARMA模型，表達式如下：

其中：yt是時間序列數(shù)據(jù)；C0是常數(shù)；p是自回歸項的系數(shù)；q是移動平均項的系數(shù)，?1……?p和θ1……θq；ε是均值為0、方差為σ2的白噪聲序列。

1.2 ARIMA建模步驟

（1）獲取時間序列數(shù)據(jù)，根據(jù)其函數(shù)圖像以ADF單位根檢驗其方差，對序列的平穩(wěn)性進行識別。對非平穩(wěn)序列進行平穩(wěn)化處理。直到處理后的數(shù)據(jù)的偏相關(guān)函數(shù)值以及自相關(guān)函數(shù)值無顯著差別地趨于零后終止此項操作。

（2）根據(jù)時間序列識別規(guī)則，建立相應(yīng)模型。若平穩(wěn)序列的偏相關(guān)函數(shù)及自相關(guān)函數(shù)均是拖尾，則可使用ARIMA模型；然后對參數(shù)進行定階與估計，判斷其是否具有統(tǒng)計的意義。

（3）對建立的ARIMA模型參數(shù)和殘差序列進行檢驗，同時判斷殘差序列是否為白噪聲，即檢驗?zāi)Ｐ蛿M合是否合理。（4）通過Eviews軟件對交通量數(shù)據(jù)建立ARIMA模型并對交通量進行靜態(tài)預(yù)測，并對模型結(jié)果進行評價分析。

2 實證分析

2.1 數(shù)據(jù)分析及預(yù)處理

本數(shù)據(jù)選取上海市大連路2015年11月9日至12日的短時交通量數(shù)據(jù)，數(shù)據(jù)為電磁感應(yīng)線圈獲得，統(tǒng)計時間間隔為3分鐘，共采取1 920個數(shù)據(jù)，見圖1。為此將1 900個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，留下20個數(shù)據(jù)進行預(yù)測對比分析。

從圖1看出短時交通量數(shù)據(jù)Q的波動性較大，存在一定的規(guī)律性，由此大致判斷該時間序列數(shù)據(jù)為非平穩(wěn)數(shù)據(jù)，為此進行單位根ADF檢驗結(jié)果為非平穩(wěn)時間序列。對于非平穩(wěn)時間序列數(shù)據(jù)則需要進行差分，一階差分后得到DQ，對差分后的數(shù)據(jù)進行單位根檢驗，檢驗結(jié)構(gòu)顯示t統(tǒng)計量小于1%置信水平下的值，即拒絕原假設(shè)存在單位根，所以一階差分后的序列是平穩(wěn)時間序列。檢驗結(jié)果如表1。

2.2 模型的識別與定階

因為一階差分后的短時交通量數(shù)據(jù)為平穩(wěn)時間序列數(shù)據(jù)，即可以進行ARIMA（p,1,q）模型預(yù)測。而（p,q）的值則首先通過序列的自相關(guān)和偏自相關(guān)系數(shù)確定。

由圖2的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)初步判斷（p,q）的值均不大于5，由此建立不同（p,q）階數(shù)的組合進行測試，根據(jù)AIC以及SC準(zhǔn)則選取最優(yōu)組合模型得ARIMA（ 5,1,4），采用最小二乘法對模型的系數(shù)進行估計，如表2所示。

圖1 短時交通量數(shù)據(jù)

表1 一階差分后時間序列ADF檢驗結(jié)果

圖2 一階差分序列的相關(guān)圖

表 2 ARIMA（ 5,1, 4）模型

模型的表達式為：

將表達式轉(zhuǎn)換后為：

2.3 模型殘差的檢驗

對 ARIMA（ 5,1, ）4模型的殘差進行白噪聲Q檢驗，檢驗結(jié)果如圖3所示，殘差的白噪聲檢驗均通過顯著性測試，得殘差序列為白噪聲序列，即時間序列中的信息被充分提取，模型擬合較好。

圖3 殘差的相關(guān)性檢驗

2.4 模型的預(yù)測及評價

通過Eviews軟件對交通量數(shù)據(jù)建立ARIMA（ 5,1,）4模型并對交通量DQ進行靜態(tài)預(yù)測，向前20步預(yù)測得到序列的預(yù)測值，

具體預(yù)測結(jié)果見圖4，模型的評價指標(biāo)則采用MAPE、RMSE和MAE表示，見表3。

MAE、MAPE、RMSE的表達式：

其中：xi為交通量的實際值，x*為交通量的預(yù)測值，n為預(yù)測的步數(shù)。

通過圖4看出短時交通量的擬合曲線與實際值基本走勢一致，而殘差也變現(xiàn)為平穩(wěn)數(shù)據(jù)，表明模型的擬合效果較好，ARIMA模型可以進行交通量的預(yù)測。通過表3得RMSE為7.02，MAPE為26.55，MAE為5.26表明模型可以擬合短時交通量數(shù)據(jù)，但MAPE相對較大，一是因為本研究收集的數(shù)據(jù)統(tǒng)計時間間隔為3分鐘，而短時交通量數(shù)據(jù)本身就具有很大的不確定性以及波動性導(dǎo)致，二是因為ARIMA模型再進行預(yù)測時只考慮時間序列本身的歷史數(shù)據(jù)，沒考慮外在的不確定性因素，導(dǎo)致模型在預(yù)測時不能較好地擬合不確定性和波動性大的數(shù)據(jù)。

3 結(jié)束語

影響短時交通量數(shù)據(jù)變化的因素有很多，本文沒有考慮外因素的影響，僅分析交通量時間序列本身的歷史數(shù)據(jù)，建立ARIMA（ 5,1, ）4模型進行短時交通量預(yù)測，采用最小二乘法對模型進行參數(shù)估計并采用靜態(tài)預(yù)測法對數(shù)據(jù)進行20步預(yù)測，結(jié)果顯示模型的擬合效果較好，ARIMA模型再進行短時交通量預(yù)測時有很高的實用價值，本研究也有一些不足之處需要改進，一是ARIMA模型本身只考慮自身的歷史數(shù)據(jù)進行預(yù)測，但由于數(shù)據(jù)不足也導(dǎo)致了模型的預(yù)測精度不是很高，二是短時交通量數(shù)據(jù)本身不確定性較大，ARIMA模型不能很好地捕捉之間的規(guī)律。所以下一步的研究就是通過對ARIMA模型改進使之可以更好地預(yù)測短時交通量數(shù)據(jù)。

圖4 交通量的擬合曲線

表3 模型的評價