基于高速收费大数据的短时交通流量预测方法

摘要

高速公路短时交通流量预测对高速公路运行管理和高速公路运行效率提升具有重要意义.高速公路收费大数据具有海量性、实时性、复杂性和动态性,而传统的时间序列模型存在建模复杂、适应性差的不足.为了提高交通流量预测的精度,利用高速收费大数据,从模型识别和参数调整两方面进行了优化,提出了一种改进的ARIMA(Autoregressive Inte?grated Moving Average Model,自回归滑动平均模型)预测模型.通过基于真实数据的实验表明,改进后的时间序列模型有效克服了传统时间序列模型的不足,并对不同的交通状况具有较好的适应性,无论在节假日还是工作日均具有更高的预测精度.