[发明专利]一种基于时序分析和残差匹配的模型

权利要求书

1.一种时序分析和残差匹配的短时交通流预测模型，其特征在于：

通过将原始交通流数据划分为线性部分和残差部分，并针对残差部分构建一种新的交通向量，从而更好地发挥模式匹配模型善于捕获非经常性事件的优势；本模型包括数据预处理、时序平稳性分析、时序分析模型确定、残差向量库建立和残差匹配等步骤；为了捕捉交通流数据中的随机波动，本模型采用分解的思路，将原始交通流数据划分为线性部分和残差部分；首先利用时间序列分析技术计算数据中的线性部分，并对剩余的残差部分进行切分以构建残差向量库；然后使用模式匹配算法对残差向量进行匹配，从而进一步拟合交通流数据中的随机波动：

具体做法是：

第一步，交通流数据预处理；由于原始交通流数据中存在着丢失、异常和冗余等问题，因此需要进行相应的数据预处理，其中包括数据聚合、数据插补和数据筛选等步骤；

第二步，交通流数据时序平稳性分析；其目的是为了保证现有的交通流数据可用于判断未来的交通状态，常用的时序平稳性判断手段有观察法和单位根检验法(AugmentedDickey-Fuller，ADF)；

第三步，时序分析模型确定；时序分析模型ARIMA(p,d,q)首先需要确定p，d，q三个阶数的取值，其中d值指对原始交通流数据进行差分的次数，p值指模型中使用的历史观测值个数，q值指模型中使用的历史噪声误差项个数；然后是对已经定阶(即已经确定相关阶数)的模型进行参数估计，常用的参数估计方法有最大似然估计和最小二乘估计；

第四步，残差向量库建立；首先需要利用时序分析计算交通流数据中的线性部分，从而进一步分解出数据中的残差部分，本模型采用观测值迭代多步预测法，该方法也是通过新的观测值持续更新交通流数据，但是不更新模型，这种方法在控制计算成本的同时也能达到较高的准确度；

第五步，残差匹配；残差匹配是指使用输入残差向量和历史残差向量进行模式匹配的过程，需要注意的是，由于匹配对象由交通向量变成了残差向量，所以在匹配完成后还需对实际的预测值进行映射。

2.如权利要求1所述的基于残差分解的预测模型，其特征在于：首先利用时间序列分析技术计算数据中的线性部分，然后使用模式匹配算法对残差向量进行匹配：

模式匹配模型的四个主要步骤分别是构建交通向量、度量向量距离、选择K个相似向量以及输出预测结果；在有关模式匹配模型优化的研究中，相关研究人员分别对预处理过程、距离度量函数、K值选择和预测函数等进行了优化；这些研究直接使用原始交通流数据进行建模，在构建交通向量的方式上没有区别，而这种构建方式并没有充分地利用交通流的随机特性；实际上交通流数据可以分解为相对稳定的部分和随机变化的部分，本发明采用分解的思路，将原始交通流数据划分为线性部分和残差部分，其中线性部分反映了交通流数据中相对稳定的相似性部分，残差部分则反映了数据中的随机波动；本发明针对随机变化的残差部分构建一种新的交通向量，可以更好地发挥模式匹配模型善于捕获非经常性事件的优势。

3.根据权利要求2所述的方法，其特征在于：采用时间序列分析技术获取交通流数据中的线性部分：

由于残差部分是原始交通流数据与线性部分的差值，所以本模型需要先获取数据中的线性部分；通过简单平均方法可以获取交通流数据中的长期趋势，但该方法只能简单地统计历史数据并得到一个粗略的估计值；相关研究提出了一种基于随机微分方程的模型，该模型可以分别对长期趋势和短期变化建模；然而在面对具有不同交通模式的交通流数据时，该模型预测误差较大；本发明认为时间序列分析技术作为一种线性的时序预测技术，恰好可以用于计算交通流数据中的线性部分；该技术在形式上与线性回归模型类似，但线性回归模型的应用前提是用于建模的自变量需要相互独立；在交通流数据中，用于建模的历史观测值之间具有明显时间相关性，因此线性回归模型不适用交通流预测的研究场景；时间序列分析技术建立在自变量相互关联的假设之上，认为历史数据已经暗示了未来数据发展和变化的规律，且具有构造简单、计算方便和易于部署等优点；综上所述，本发明利用时间序列分析技术计算交通流数据中的线性部分，并与原始数据做差求得残差部分，从而达到分解的目的。