城市月度交通量的优化权值分配融合预测模型

摘要

为解决月度交通量时间序列预测模型的单一性、静态性等问题,提出了城市月度交通量的优化权值分配融合预测模型:基于MSE权重分配方法,通过对历史序列值拟合的均方误差进行分析,为季节性自回归差分滑动平均模型(SARIMA)和非线性自回归动态神经网络(NAR)分配科学可靠的权值,从而融合预测交通量。分析结果表明:优化权值分配融合模型预测和拟合效果明显优于其他非融合模型。城市月度交通量的优化权值分配融合预测模型,有效提升了月度交通量时间序列预测的准确性和可靠度。