基于收费数据的高速公路短时客货运输量短时预测研究

摘要

目前高速公路收费数据的应用水平较低,仅限于车辆记录、联网收费等简单功能,这导致高速数据资源的严重浪费.针对高速公路收费数据量大和多输入多输出的特点,采用ARIMA(p,d,q)模型对客货运量相关数据进行机器学习训练,进而对短时客货运输量短时预测.首先,利用Onemine数据平台对收费大数据构建时间序列;其次,采用差分法对网络流的时间序列d次差分,完成平稳性处理;最后训练得到满足平稳性检验的项数p,q,并将其代入原ARIMA模型,预测之后7个时间集计区间(未来一周)各行政区域间的客货运输量.结果表明,该模型适用于高速收费数据的多输入多输出环境和庞大的数据量,具有良好的鲁棒性和准确性.