文献类型：期刊文章

作　　者：李建森[1] 沈齐[2] 范馨月[1,3]

LI Jian-sen;SHEN Qi;FAN Xin-yue(Guizhou University,School of Mathematics and Statistics,Guiyang,550025,China;Guiyang Public Security Traffic Administration Bureau,Science and Technology Department,Guiyang550081,China;GuiZhou University,Guizhou Provincial Key Laboratory of Public Big Data,Guiyang 550025,China)

机构地区：[1]贵州大学数学与统计学院,贵州贵阳550025 [2]贵阳市公安交通管理局科技处,贵州贵阳550081 [3]贵州大学贵州省公共大数据重点实验室,贵州贵阳550025

出　　处：《数学的实践与认识》

基　　金：贵州省大数据重点实验室开放课题(2017BDKFJJ012);贵州大学省级本科教学工程项目(2017520015);贵州大学博士基金项目(贵大人基合字2012(015)号);贵州大学"本科教学工程"建设项目(JG201723)

年　　份：2019

卷　　号：49

期　　号：5

起止页码：192-197

语　　种：中文

收录情况：BDHX、BDHX2017、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.

关 键 词：ARIMA模型 BP模型 组合模型  交通流预测

分 类 号：U491.1[物流管理与工程类]