预见近期：面向智能交通系统中交通负荷的短期预测方法
机器学习
2017-01-10 v1 应用统计
摘要
智能交通系统（ITS）旨在通过应用先进的无线通信技术进行道路交通调度，从而实现一个协调的交通系统。为实现精确的道路交通控制，对特定地点在短时期内的道路交通进行预测的短期交通预测通常是有用且重要的。在现有工作中，季节性自回归积分滑动平均（SARIMA）模型是一种流行的方法。然而，该方案面临两个挑战：1）对相关数据的分析不足，可能忽略数据的一些重要特征；2）当数据呈现不同特征时，不太可能有一个预测模型能适应所有情况。为解决上述问题，本文开发了一种混合模型以提高 SARIMA 的精度。具体而言，我们首先探索交通流中存在的自相关和分布特征，以修正时间序列模型的结构。基于交通流的高斯分布，开发了一种带有贝叶斯学习算法的混合模型，能够有效扩展 SARIMA 的应用场景。我们通过分析和实验研究展示了所提方法的效率和准确性。利用真实世界的轨迹数据，我们表明所提出的预测方法在实践中能够取得令人满意的性能。
引用
@article{arxiv.1701.01917,
title = {See the Near Future: A Short-Term Predictive Methodology to Traffic Load in ITS},
author = {Xun Zhou and Changle Li and Zhe Liu and Tom H. Luan and Zhifang Miao and Lina Zhu and Lei Xiong},
journal= {arXiv preprint arXiv:1701.01917},
year = {2017}
}