买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都易书桥科技有限公司

摘要：本发明公开了一种基于时序分析和残差匹配的短时交通流预测方法。交通流的随机特性是导致交通流难以被准确预测的根本原因，为了更好地拟合交通流数据中的随机波动，本方法采用分解的思路，将原始交通流数据划分为线性部分和残差部分。首先利用时间序列分析技术计算数据中的线性部分，并对剩余的残差部分进行切分以构建残差向量库。然后利用模式匹配算法对残差向量进行匹配，通过寻找相似残差向量的方式进一步拟合交通流数据中的随机波动。本方法相对于其他基于模式匹配算法的方法而言，在稳定性和预测精度上具有一定的优势。

主权项：1.一种基于时序分析和残差匹配的短时交通流预测方法，其特征在于：通过将原始交通流数据划分为线性部分和残差部分，并针对残差部分构建一种新的交通向量，从而更好地发挥模式匹配模型善于捕获非经常性事件的优势；本方法包括数据预处理、时序平稳性分析、时序分析模型确定、残差向量库建立和残差匹配五个步骤；为了捕捉交通流数据中的随机波动，本方法采用分解的思路，将原始交通流数据划分为线性部分和残差部分；首先利用时间序列分析技术计算数据中的线性部分，并对剩余的残差部分进行切分以构建残差向量库；然后使用模式匹配算法对残差向量进行匹配，从而进一步拟合交通流数据中的随机波动：具体做法是：第一步，交通流数据预处理；由于原始交通流数据中存在着丢失、异常和冗余问题，因此需要进行相应的数据预处理，其中包括数据聚合、数据插补和数据筛选四个步骤；第二步，交通流数据时序平稳性分析；其目的是为了保证现有的交通流数据可用于判断未来的交通状态，常用的时序平稳性判断手段有观察法和单位根检验法AugmentedDickey-Fuller，ADF；第三步，时序分析模型确定；时序分析模型ARIMAp,d,q首先需要确定p，d，q三个阶数的取值，其中d值指对原始交通流数据进行差分的次数，其大小通过差分方式确定；p值指模型中使用的历史观测值个数，其大小通过偏自相关函数PartialAuto-CorrelationFunction，PACF确定；q值指模型中使用的历史噪声误差项个数，其大小通过自相关函数Auto-CorrelationFunction，ACF确定；然后是对已经定阶即已经确定相关阶数的模型进行参数估计，常用的参数估计方法有最大似然估计和最小二乘估计；第四步，残差向量库建立；首先对原始交通流数据和由时序分析模型计算得到的线性部分做差求得残差部分，再对残差部分进行切分以建立残差向量库，最后使用残差向量进行匹配；本方法采用观测值迭代多步预测法，该方法也是通过新的观测值持续更新交通流数据，但是不更新模型，预测过程如下式所示： 式中：at+1是ARIMA模型预测的第t+1个时间间隔内交通量的线性部分；yt是第t个时间间隔内交通量的观测值；p是用于建模的历史观测值个数；z是多步预测的步长；第五步，残差匹配；残差匹配是指使用输入残差向量和历史残差向量进行模式匹配的过程，需要注意的是，由于匹配对象由交通向量变成了残差向量，所以在匹配完成后还需对实际的预测值进行映射。

全文数据：

权利要求：

百度查询： 成都易书桥科技有限公司 一种基于时序分析和残差匹配的短时交通流预测方法