第１３卷第２期基于ＯＬＡＭ的高速公路交通量多维预测研究５３万方数据蟪蠢曩冀螺掏遮灌祷祷迫蠡谜甙ｙｔＨ”。嚣Ｖ讧Ｔｙｙｗ１．荨了勺｜演绷）ｆ一拳辜，，三皇挎。三釜鼙瞅每五爱生●一●●ｘ●，ｔｈ＊ＪＩＩ●ｒ目●－ｌＳｔ●ｔ÷●●‘●ｒｌａｔｅ置吖?，．ｈ黔‰土釉薯融。舭糊秘℃肇锇’Ｃ¨醴，咄Ｃ?－ｔ，墙Ｃｓ—ｍｔｈ‘ｅ懈ｔｖ柄Ｃ日－＝ｔｙ“ｅｔ镰ｔｖｎＣ?峨ｔ’心Ｃ棒ｔ，ｄｅ哺ｔ翻均鲁－０１■ａｌ∞∞“∞∞Ｏｌ仞Ｚ鹫ＢＺ硒ａ均９”ｍ一磴黼’－０１田，∞∞∞∞０ｌ黜哺ｎ爨姘≯如∞∞∞∞Ｏ钟２ｌｌＯ钔１０翻静鲁叫隆１ｗＯ●魏由０嘲＊自Ｂ∞∞∞∞Ｏｌ秘攫匐ｌ２ｌｌＪｌ∞．∞∞∞０ｌ铷Ｚ翻毫潮２∞爷Ｏｌ－ＯＳ∞∞∞０∞１５ＩＺ隅Ｚ髓矗射皇ｍＯ卜（ｒ／（ＩＵ．∞０００∞１封Ｚ聃２＝瑚ａ伪＊ｍ均ｅ∞∞∞∞Ｏｌ“２‘‘２２●?Ｅ翻椭埘＊口口∞∞∞∞０ｌ钾３ｆｒ幅ｆｒ蠕一２氍挎嘲＊ＩＯ罐脚嘲ｘｌｌ∞∞∞ｔ＾蔚ｌ潮Ｚ０ｌｌ２３ＩＩ∞∞∞∞口ｌＩＩ罐隅２汹翻阳‘翻拼ｑ口Ｉ—１１２口口０咖“１２∞∞∞咖ｌ链∞∞∞瞄１冀Ｉｔ测Ｉ２５∞鼬Ｉ矗∞啼４１一Ｉ’ｔｉｅ．９０∞啪ｌ’）ｌ锇聃留—睁２∞口＊ｌ，１卜Ｉ‘自啉。ＯｌＵＵｌ珀ａＯ叼∞１村翟‘ｌ，２略ＩｌｎＩ●ＵＵ∞∞啪ｌ器∞∞∞∞０ｌ犍０口翻定譬窖弱舀馥聃哪ｌ－Ｉｔ毓Ｉ晡嘲－ｔｔ∞鞠∞∞口鼢怒耋星黧嚣臻器嚣燃萋薏Ｚ“矗ＺＨ‘２ｉ０Ｉ譬ｌ轴Ｉ嚣黼黧黑黧嚣篓黧嚣图６多维交通量查询结果Ｆｉｇ．６Ｑｕｅｒｙｒｅｓｕｌｔｓｏｆｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌｔｒａｆｆｉｃｖｏｌｕｍｅ８ｎｎ，：８ｎＮ时间序列图７交通量时序样本｛Ｘ。｝趋势图Ｆｉｇ．７Ｔｒｅｎｄｏｆｔｍ佑ｃｖｏｌｕｍｅｔｉｍｅｓｅｒｉｅｓｓａｍｐｌｅ｛Ｘｏ．ｏｑｏＮ．ｏ．崎．ｏ．时间序列图８样本｛Ｘ。｝经对数和季节差分后的时间序列图Ｆｉｇ．８Ｔｉｍｅｓｅｒｉｅｓｐｌｏｔｏｆｌｏｇｇｅｄａｎｄｓｅａｓｏｎａｌｄｉｆｆｅｒｅｎｃｅｓｏｆｓａｍｐｌｅ｛ＸＩ５４交通运输系统工程与信息表２Ｔａｂｌｅ２２０１３年４月ＡＤＦ单位根测试结果ＲｅｓｕｌｔｓｏｆＡＤＦｕｎｉｔｒｏｏｔｔｅｓｔ１，１）（０，１，１），的ＡＩＣ值最小，因此模型最优．４．４异常值检验对于时间序列而言，可识别的异常值有两种，即加性异常值（ＡｄｄｉｔｉｖｅＯｕｔｌｉｅｒ，ＡＯ）与信息异常值（ＩｎｎｏｖａｔｉｏｎＯｕｔｌｉｅｒ，１０），分别表征基础过程在某时间受到可叠加性的扰动与某时间误差受到的根据表２可知，ＡＤＦ检验ｔ的统计量小于置信水平下的临界值，拒绝单位根假设，即变换后的时间序列｛ｒ｝是平稳的过程．４．３模型识别时间序列｛ｙ￡｝自相关函数图和偏自相关函数图如图９和图１０所示，根据自相关函数图建议ｑ＝扰动．通过检验交通量时间序列｛ｘ：｝在ｔ＝２７、ｔ＝４９和ｔ＝１０７存在ＩＯ，分析序列数据可知，上述三个时间序列的日交通量与同期相比存在锐减变化，进一步分析可知，上述三个时间点分别为端午节和两次强台风登陆日，由此可见节假日与恶劣天气对交通量影响显著．４．５参数估计１或ｑ＝２，由偏自相关函数图建议Ｐ＝１或Ｐ＝２．对检验出的异常值，文献［１０］提出一种将异常值纳入模型，然后反复修正模型进行异常值检验的方法，直至不再发现新的异常值为止，本文采用０ｌＯ２０３０４０这种方法对模型进行修正．滞后采用极大似然估计，分别对未经异常值处理的季节ＡＲＩＭＡ模型和将异常值纳入模型并反复修正后的季节ＡＲＩＭＡ模型进行参数估计，结果分别如表３、表４所示．表３ＡＲＩＭＡ（２，１，１）（Ｏ，１，１），模型的参数估计Ｔａｂｌｅ３图９样本｛Ｆ｝的自相关函数图Ｆｉｇ．９ＡＣＦｏｆｓａｍｐｌｅ｛¨｝０１０２０３０４０Ｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎｏｆ滞后ＡＲＩＭＡ（２，１。１）（０，１，１），ｍｏｄｅｌ图１０样本ｔ¨ｔ的偏自相关函数图ｎｇ．１０ＰＡＣＦｏｆｓａｍｐｌｅ｛ｙ￡｝对所有符合ＡＲＩＭＡ（Ｐ，ｌ，ｑ）（Ｐ，ｌ，Ｑ），模型要求的阶数进行组合，根据赤池信息准则‘９１ＡＩＣ注：噪声方差口２估计值为０．０１０６６；对数似然值＝８３．７２’计算各模型ＡＩＣ值，根据计算结果模型ＡＲＩＭＡ（２，ＡＩＣ＝一１５９．４４．表４修正后的ＡＲＩＭＡ（２，１，１）（０，１，１），模型的参数估计Ｔａｂｌｅ４ＰａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎｏｆｃｏｒｒｅｃｔｅｄＡＲＩＭＡ（２，１，１）（０，１。１），ｍｏｄｅｌ注：噪声方差口２估计值为０．００６５３；对数似然值＝１１９．８７，；ＡＩＣ＝一２２４．３２由表３与表４对比可知，修正后的季节模型．４．６模型诊断采用标准残差时间序列图、残差的样本ＡＣＦ和Ｌｊｕｎｇ—Ｂｏｘ检验统计量的Ｐ值对模型进行诊断．ＡＲＩＭＡ模型白噪声方差ｏｒ２估计值与ＡＩＣ值显著降低，根据赤池信息准则，修正后的季节ＡＲＩＭＡ模型显著优于未经异常值处理的一般季节ＡＲＩＭＡ万方数据第１３卷第２期基于ＯＬＡＭ的高速公路交通量多维预测研究５５ｎ—Ｉ－ｎ．４０１００１２０ｎｏ．ｏ最差山譬ｎＩ－ｏ．８号言。正。６２０图１１模型诊断结果Ｆｉｇ．１１Ｒｅｓｕｌｔｓｏｆｍｏｄｅｌｄｉａｇｎｏｓｔｉｃｓ模型诊断结果如图１１所示，由第一行标准残差序列图可见经过修正后的模型已经不再含有异常值；第二行ＡＣＦ检验表明残差没有明显的自相关性；第三行Ｌｊｕｎｇ—Ｂｏｘ检验统计量的Ｐ值均大于０．０５，说明残差为白噪声序列，由此可以诊断模型合格．４．７模型预测预测模型的精确水平通常采用一些预测精度误差指标分析结果来看，修正后模型比未修正模型分别降低４０．７ｌ和１．３４％，说明经异常值修正的季节ＡＲＩＭＡ模型降低了由节假Ｅｔ及恶劣天气等导致的交通量异常值干扰，具有更高的预测精度．表５交通■预测结果及指标Ｔａｂｌｅ５Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｎｄｉｎｄｅｘｏｆ拄ａｌ丘ｃｖｏｌｕｍｅ指标来衡量，常用的指标有平均绝对误差（ＭｅａｎＡｂｓｏｌｕｔｅＥｒｒｏｒ，ＭＡＥ）和平均绝对百分比误差Ｅｒｒｏｒ，ＭＡＰＥ）．ＭＡＥ表（ＭｅａｎＡｂｓｏｌｕｔｅＰｅｒｃｅｎｔａｇｅ示预测值与真实值的实际误差绝对值的均值，ＭＡＰＥ表示预测值与真实值实际误差绝对值占真实值百分比的均值，这些指标越小表示模型的预测效果越好．ＭＡＥ与ＭＡＰＥ计算方法定义如下似胁矮掣式中通量；Ⅳ是预测时期．枷Ｅ＝瓦１素Ｔ＋Ｎ。限一），。ｌ（９）（１０）５研究结论利用高速公路收费数据中记录的车辆通行信息进行交通量统计、预测可以极大节约进行交通量调查的投入，具有低成本、高精度的优势．本文提出一种基于ＯＬＡＭ的高速公路交通量多维预测方Ｙ。是ｔ时刻真实交通量；多，是模型预测的交为验证模型预测效果，分别利用未经异常值修正和经过异常值修正的季节ＡＲＩＭＡ模型对盐坝高速ＥＴＣ车辆未来一周的日交通量进行预测，对比结果如表５所示．由表５可知，两种模型均能较好法，该方法将多维查询分析与交通量预测结合起来，一方面在时间、空间、车型、车种等维度条件下快速汇总交通量统计结果，能够为交通量调查提供地拟合周内交通量变化趋势，但从ＭＡＥ与ＭＡＰＥ万方数据５６交通运输系统工程与信息２０１３年４月准确统计资料；另一方面对多维交通量在不同粒度下统计结果可以选用不同的挖掘算法进行建模预测，能够提高多维交通量的预测精度和系统的适用性．本文运用ＯＬＡＭ的雪花模型对高速公路收费数据快速汇总交通量多维统计结果，由于选取的数据样本是带有周期特征的日交通量数据，故选用季节ＡＲＩＭＡ模型进行建模预测．通过验证可知，经过异常值修正的季节ＡＲＩＭＡ模型能够有效提高预测精度；而对随机波动较大的短时交通量，可以考虑采用人工神经网络、支持向量回归机等非线性方法以提高模型预测精度，具体建模分析方法还有待进一步研究．值得注意的是，收费系统的业务需求导致收费数据仅能统计部分断面（高速公路出、人口）交通量，对于路网中的交通量调查及预测还应结合专用交通量调查设备采集的数据进行．交通量受多因素影响，尤其是重大节假日和恶劣天气对交通量影响显著．对于重大节假日交通量高峰的预测可以考虑在数据仓库多维数据模型中增加节假日维度，根据预测需求汇总统计历次节假日交通量多维时间序列，然后通过为序列构建独立的ＡＲＩＭＡ模型预测未来节假日交通量趋势．参考文献：［１］ＨａｎＪＷ，ＭｉｃｈｅｌｉｎｅＫ．Ｄａｔａｍｉｎｉｎｇ：Ｃｏｎｃｅｐｔｓａｎｄｔｅｃｈｎｉｑｕｅｓ［Ｍ］．ＳｅｃｏｎｄＥｄｉｔｉｏｎ，ＳａｎＦｒａｎｃｉｓｃｏ：ＥｌｓｅｖｉｅｒＩｎｃ，２００６．［２］ＢｏｘＧＥＰ，ＪｅｎｋｉｎｓＧＭ．Ｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ：Ｆｏｒｅｃａｓｔｉｎｇａｎｄｃｏｎｔｒｏｌ［Ｍ］。ＳａｎＦｒａｎｃｉｓｃｏ：Ｈｏｌｄｅｎ—Ｄａｙ，１９７６．［３］童明荣，薛恒新，林琳．基于季节ＡＲＩＭＡ模型的公路交通量预测［Ｊ］。公路交通科技，２００８，２５（１）：万方数据１２４—１２８．［ＴＯＮＧＭＲ，ＸＵＥＨＸ，ＬＩＮＬ．ＨｉｇｈｗａｙｔｒａｆｆｉｃｖｏｌｕｍｅｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｓｅａｓｏｎａｌＡＲＩＭＡｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｉｇｈｗａｙａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２００８，２５（１）：１２４—１２８，］４１Ｊ芮少权，匡安乐．高速公路月度交通量ＡＲＩＭＡ预测模型［Ｊ］．长安大学学报（自然科学版），２０１０，３０（４）：８２—８５．［ＲＵＩＳＱ，ＫＵＡＮＧＡＬ．ＡＲＩＭＡｍｏｄｅｌｏｆｅｘｐｒｅｓｓｗａｙｔｒａｆｆｉｃｖｏｌｕｍｅｍｏｎｔｈｌｙｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１０，３０（４）：８２—８５．］５１Ｊ翁剑成，刘力力，杜博．基于ＥＴＣ电子收费数据的信息提取技术研究［Ｊ］．交通运输系统工程与信息，２０１０，１０（２）：５７－６３．［ＷＥＮＧＪＣ，ＬＩＵＬＬ，ＤＵＢ．ＥＴＣｄａｔａｂａｓｅｄｔｒａｆｆｉｃｉｎｆｏｒｍａｔｉｏｎｍｉｎｉｎｇｔｅｃｈｎｉｑｕｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１０，１０（２）：５７－６３．］ｒＬ６１ＪＩｎｍｏｎＷＨ．Ｂｕｉｌｄｉｎｇｔｈｅｄａｔａｗａｒｅｈｏｕｓｅ［Ｍ］．ＳａｎＦｒａｎｃｉｓｃｏ：Ｗｉｌｅｙ，２００５．ｒＬ７１ＪＨａｎＪＷ．ＯＬＡＰｍｉｎｉｎｇ：ＡｎｉｎｔｅｇｒａｔｉｏｎｏｆＯＬＡＰｗｉｔｈｄａｔａｍｉｎｉｎｇ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ７ｔｈＩＦＩＰ２．６ＷｏｒｋｉｎｇＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａｂａｓｅＳｅｍａｎｔｉｃｓ，Ｉｅｙｓｉｎ：Ｓｗｉｔｚｅｒｌａｎｄ，１９９７，１－９．８ＢｏｘＧＥＰ，ＣｏｘＤＲ．Ａｎａｎａｌｙｓｉｓｏｆｔｒａｎｓｆｏｒｍａｔｉｏｎｓ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＲｏｙａｌＳｔａｔｉｓｔｉｃａｌＳｏｃｉｅｔｙ．ＳｅｒｉｅｓＢ（Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ），１９６４（２６）：２１ｌ－２５２．【９ＢｒｏｃｋｗｅｌｌＰＪ．Ｔｉｍｅｓｅｒｉｅｓ．?Ｔｈｅｏｒｙａｎｄｍｅｔｈｏｄｓ［Ｍ］．ＮｅｗＹｏｒｋ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００９．ｒＬＫ商安娜．基于异常值检测的电梯交通流预测方法［Ｊ］．计算机工程，２００９，３５（１２）：１７２?１７４．［ＳＨＡＮＧＡＮ．Ｆｏｒｅｃａｓｔｍｅｔｈｏｄｆｏｒｅｌｅｖａｔｏｒｔｍ伍ｃｆｌｏｗｂａｓｅｄｏｎｏｕｔｌｉｅｒｄｅｃｔｃｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，２００９，３５（１２）：１７２—１７４．］基于OLAM的高速公路交通量多维预测研究
作者：作者单位：刊名：英文刊名：年，卷(期)：
钱超， 许宏科， 徐娜， 代亮， 程鸿亮， QIAN Chao， XU Hong-ke， XU Na， DAI Liang， CHENGHong-liang
钱超,许宏科,代亮,程鸿亮,QIAN Chao,XU Hong-ke,DAI Liang,CHENG Hong-liang(长安大学电子与控制工程学院,西安,710064)， 徐娜,XU Na(西安公路研究院,西安,710054)
交通运输系统工程与信息
Journal of Transportation Systems Engineering and Information Technology2013,13(2)
参考文献(10条)
1.Han J W.Micheline K Data mining:Concepts and techniques 2006
2.Box G E P.Jenkins G M Time series analysis:Forecasting and control 19763.童明荣.薛恒新.林琳 基于季节ARIMA模型的公路交通量预测 2008(01)4.芮少权.匡安乐 高速公路月度交通量ARIMA预测模型 2010(04)
5.翁剑成.刘力力.杜博 基于ETC电子收费数据的信息提取技术研究 2010(02)6.Inmon W H Building the data warehouse 2005
7.Han J W OLAP mining:An integration of OLAP with data mining 19978.Box G E P.Cox D R An analysis of transformations 1964(26)9.Brockwell P J Time series:Theory and methods 200910.商安娜 基于异常值检测的电梯交通流预测方法 2009(12)
本文链接：http://d.g.wanfangdata.com.cn/Periodical_jtysxtgcyxx201302008.aspx