小波增强回归剖析（WARP）：针对具有周期性拥堵的行程时间序列的改进型长期估计
计算工程、金融与科学
2021-05-03 v1 应用统计
摘要
对典型行程时间的可靠估计使道路使用者能够提前规划行程以最小化出行时间，从而潜在提升整体系统效率。然而在繁忙高速公路上，拥堵事件会导致行程时间出现大幅短期尖峰。这些尖峰使得在提前规划相关的数小时至数天时间尺度上，使用标准时间序列模型直接预测行程时间变得困难。问题在于，此类尖峰部分由不可预测的事故引起而应被滤除，另一部分则由周期性的需求高峰引起而应被纳入估计。本文提出小波增强回归剖析（WARP）方法，用于典型行程时间的长期估计。WARP 将历史行程时间序列线性分解为两部分：背景与尖峰。随后它进一步将尖峰分离为周期性拥堵与残差拥堵的贡献。这是通过小波变换、谱滤波与局部加权回归的组合实现的。背景与周期性拥堵贡献随后被用于以准确且计算代价低廉的方式估计为期一周的典型行程时间。我们在英国 M6 与 M11 高速公路上，使用从英国国家交通信息服务（NTIS）获取的 12 周链路级行程时间数据对 WARP 进行训练与测试。在样本外验证测试中，WARP 优于简单分割方法所产生的估计以及 NTIS 发布的估计。
引用
@article{arxiv.2006.13072,
title = {Wavelet Augmented Regression Profiling (WARP): improved long-term estimation of travel time series with recurrent congestion},
author = {Alvaro Cabrejas Egea and Colm Connaughton},
journal= {arXiv preprint arXiv:2006.13072},
year = {2021}
}
备注
12 pages, 10 figures. Conference paper accepted to 23rd IEEE International Conference on Intelligent Transportation Systems (ITSC2020)