ARIMA-WNN组合模型在交通流预测中的高精度应用

本文提出了基于AＲIMA(差分自回归滑动平均模型)和小波神经网络(WNN)组合模型的交通流预测方法，以解决城市道路交通流预测精度不足的问题。该方法利用AＲIMA模型的线性拟合能力处理交通流序列的线性部分，而WNN模型则用于捕捉序列中的非线性特征，通过两者结合提升预测准确性。 在交通流预测领域，预测精度是关键因素。传统的单一模型往往难以全面捕捉交通流数据的复杂性，尤其当交通流表现出强烈的非线性和时间依赖性时。AＲIMA模型是一种广泛应用于时间序列分析的方法，它通过差分、自回归和滑动平均三个步骤来建模，适用于处理具有线性趋势和季节性的时间序列数据。然而，对于非线性模式，AＲIMA的性能可能受限。 小波神经网络则弥补了这一不足。WNN利用小波理论的多分辨率分析能力，能够对非线性和局部特征进行有效建模。它将数据分解为不同尺度和位置的小波系数，能够捕获数据中的瞬态变化和非线性行为。 本文提出的组合模型首先利用AＲIMA模型对交通流序列进行初步预测，得到线性部分的结果。然后，将AＲIMA预测的残差作为输入，通过WNN模型进一步预测非线性部分。最后，将两部分预测结果合并，得到整个交通流序列的预测值。通过计算机仿真实验，该组合模型的预测精度被证明优于AＲIMA和WNN模型单独使用的情况，证明了这种方法在交通流预测中的优越性。 此外，该研究还指出，组合模型的应用有助于提高智能交通系统的效率，因为它可以提供更准确的交通流量预测，从而帮助交通管理部门优化路线规划、减少拥堵、提升交通安全。这是一项重要的研究进展，为未来交通管理系统的智能化提供了新的思路和技术支持。 关键词：交通流预测，差分自回归滑动平均模型，小波神经网络，组合模型 中图分类号：U491112 文献标识码：A 文章编号：1673－629X(2017)01－0169－04 doi：10．3969/j．issn．1673－629X．2017．01．038 这项工作得到了国家自然科学基金资助项目(61401236)和南京邮电大学引进人才项目(NY214005)的支持，由成云、成孝刚、谈苗苗、周凯和李海波共同完成，他们在智能交通系统中的交通流预测及其应用方面有深入研究。