基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

清华大学辅仁网/2017-07-07

孙轶轩¹,邵春福¹(

),计寻¹,朱亮²

2. 中国铁道科学研究院运输及经济研究所, 北京 100081

Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR

Yixuan SUN¹,Chunfu SHAO¹(

),Xun JI¹,Liang ZHU²

1. Key Laboratory for Urban Transportation Complex Systems Theory and Technology of Ministry of Education, Beijing Jiaotong University, Beijing 100044, China
2.Transportation & Economic Research Institute, China Academy of Railway Sciences, Beijing 100081, China

摘要:

HTML
输出: BibTeX | EndNote (RIS) 背景资料

文章导读

摘要该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合; 基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒; 并以其为输入构建SVR模型,对季度残差变化趋势进行预测; 最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明: 时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。

关键词 ：事故预测,时间序列,自回归移动平均法(ARIMA),模糊信息粒化,支持向量回归机(SVR)

Abstract：A hybrid prediction model was established to implement the time series forecasting of traffic accident statistical index based on the ARIMA model and the SVR model. The ARIMA model was used to complete the linear fitting of original time series, with the residual error of the ARIMA model then transformed into fuzzy information granulation particles made up of Low, R and Up. An SVR model was developed to describe the seasonal trend of the residual error with Low, R and Up as input. The predicted value of the ARIMA model was fixed based on the SVR regression result of the seasonal residual error, with the predicted value of the hybrid model being calculated. Empirical research results show that the accuracy of the hybrid model is higher than that of the single ARIMA model and that the seasonal trends of empirical time series are precisely represented by fuzzy information granulation particles.

Key words：accident prediction time series ARIMA fuzzy information granulation SVR

收稿日期: 2014-02-10 出版日期: 2015-04-16

ZTFLH:

基金资助:国家 “九七三” 重点基础研究项目 (2012CB725403);国家自然科学基金国际合作重大项目 (71210001)

引用本文:

孙轶轩, 邵春福, 计寻, 朱亮. 基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J]. 清华大学学报（自然科学版）, 2014, 54(3): 348-353.
Yixuan SUN, Chunfu SHAO, Xun JI, Liang ZHU. Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR. Journal of Tsinghua University(Science and Technology), 2014, 54(3): 348-353.

链接本文:

http://jst.tsinghuajournals.com/CN/或 http://jst.tsinghuajournals.com/CN/Y2014/V54/I3/348

图表:

2006—2013年死亡和受伤人数月度时间序列

1阶差分时间序列

模型	AIC	SC
ARIMA(0,1,1)	6.98	7.03
ARIMA(4,1,0)	7.03	7.18
ARIMA(4,1,1)	7.05	7.22

模型AIC和SC检验值

ARIMA(0,1,1)模型预测结果

粒化结果图

测试集SVR预测结果对比

参数网格寻优结果

日期(窗口化)	受伤人数观测值	ARIMA 预测值	ARIMA相对误差	残差SVR 预测值	组合模型预测值	组合模型相对误差	残差变化范围 (由模糊粒子描述)
2013年一季度	29	29.96	3.3%	-0.15	29.81	2.8%	[-8.14, 5.85, 6.92]
2013年二季度	33.33	31.92	4.2%	2.67	34.57	3.8%	[-7.61, 6.07, 8.29]

组合模型预测结果

参考文献:

[1]	高海龙, 阚伟生, 李长城, 等. 双车道等级公路路侧事故回归模型研究[J]. 公路交通科技, 2007, 24(7): 127-131. GAOHailong, KAN Weisheng, LI Changcheng. Roadside accident prediction model for two-lane highway[J]. Journal of Highway and Transportation Research and Development, 2007, 24(7): 127-131. (in Chinese)
[2]	吕晓夫, 杨亚东. 回归分析方法在船舶交通事故预测中的应用[J]. 武汉理工大学学报: 交通科学与工程版, 2006, 30(3): 546-547. Lü Xiaofu, YANG Yadong. Application of regression analysis method in vessel traffic accident forecasting[J]. Journal of Wuhan University of Technology: Transportation Science & Engineering, 2006, 30(3): 546-547. (in Chinese)
[3]	张杰, 刘晓明, 贺玉龙, 等. ARIMA模型在交通事故预测中的应用[J]. 北京工业大学学报, 2007, 33(12): 1295-1299. ZHANGJie, LIU Xiaoming, HE Yulong, et al.Application of ARIMA model in forecasting traffic accidents[J]. Journal of Beijing University of Technology, 2007, 33(12): 1295-1299. (in Chinese)
[4]	蒋宏, 方守恩, 陈雨人, 等. 基于时间序列和灰色模型的交通事故预测[J]. 交通信息与安全, 2012, 4(30): 93-98. JIANG Hong, FANG Shouen, CHEN Yuren, et al.Traffic accidents prediction based on time series and grey model[J]. Journal of Transport Information and Safety, 2012, 4(30): 93-98. (in Chinese)
[5]	蒋勋国, 刘宝新, 李百川. 灰色马尔可夫链在道路交通事故预测中的应用[J]. 人类工效学, 2006, 12(3): 26-28. JIANGE Xunguo, LIU Baoxin, LI Baichuan. The Application in the prediction of road acc idents based on gray Markov chain model[J]. Chinese Journal of Ergonomics, 2006, 12(3): 26-28. (in Chinese)
[6]	钱卫东, 刘志强. 基于灰色马尔可夫的道路交通事故预测[J]. 中国安全科学学报, 2008, 18(3): 33-36. QIANWeidong, LIU Zhiqiang. Road traffic accident forecast based on gray-Markov model[J]. China Safety Science Journal, 2008, 18(3): 33-36. (in Chinese)
[7]	唐秋生, 杜营营. 基于BP神经网络的交通事故预测模型及仿真[J]. 交通信息与安全, 2011, 29(1): 68-70. TANGQiusheng, DU Yingying. A model of traffic accident forecast based on BP neural network[J]. Journal of Transport Information and Safety, 2011, 29(1): 68-70. (in Chinese)
[8]	甘旭升, 端木京顺, 从伟, 等. 基于ARIMA与SVM的飞行事故组合预测方法[J]. 中国安全科学学报, 2011, 21(7): 79-84. GANXusheng, DUANMU Jingshun, CONG Wei, et al.Flight accident prediction method based on the combination of ARIMA and SVM[J]. China Safety Science Journal, 2011, 21(7): 79-84. (in Chinese)
[9]	王淑花. 基于时间序列模型的组合预测模型研究 [D]. 秦皇岛: 燕山大学, 2011. WANGShuhua. Research of combined forecasting model based on time series model [D]. Qinhuangdao: Yanshan University, 2011. (in Chinese)
[10]	谭满春, 李英俊, 徐建闽. 基于小波消噪的ARIMA与SVM组合交通流预测[J]. 公路交通科技, 2009, 26(7): 127-132. TAN Manchun, LI Yingjun, XU Jianmin. A hybrid ARIMA and SVM model for traffic flow prediction based on wavelet denoising[J]. Journal of Highway and Transportation Research and Development, 2009, 26(7): 127-132. (in Chinese)
[11]	姚智胜, 邵春福, 熊志华. 基于小波包和最小二乘支持向量机的短时交通流组合预测方法研究[J]. 中国管理科学, 2007, 5(1): 64-68. YAOZhisheng, SHAO Chunfu, XIONG Zhihua. Research on short-term traffic flow combined forecasting based on wavelet package and least square support vector machines[J]. Chinese Journal of Management Science, 2007, 5(1): 64-68. (in Chinese)
[12]	房靖, 高尚. 基于支持向量机的交通事故组合预测方法研究[J]. 交通与计算机, 2007, 25(2): 103-105. FANGJing, GAO Shang. Traffic accidents combining forecasting method based on support vector machine[J]. Computer and Communications, 2007, 25(2): 103-105. (in Chinese)
[13]	徐国祥. 统计预测和决策 [M]. 上海: 上海财经大学出版社, 1998: 174-176.
[14]	王燕. 应用时间序列分析(第三版) [M]. 北京: 中国人民大学出版社, 2005: 206.
[15]	喻胜华, 肖雨峰. 基于信息粒化和支持向量机的股票价格预测[J]. 财经理论与实践, 2011, 32(6): 44-47. YUShenghua, XIAO Yufeng. Forecasting method of stock price based on information granulation and support vector machine[J]. The Theory and Practice of Finance and Economics, 2011, 32(6): 44-47. (in Chinese)
[16]	董春娇, 邵春福, 谢坤, 等. 道路网交通流状态变化趋势判别方法[J]. 同济大学学报: 自然科学版, 2012, 40(9): 1323-1328. DONGChunjiao, SHAO Chunfu, XIE Kun, et al.Identification of traffic state variation trend in road network[J]. Journal of Tongji University: Natural Science, 2012, 40(9): 1323-1328. (in Chinese)
[17]	田英杰. 支持向量回归机及其应用研究 [D]. 北京: 中国农业大学, 2005. TIANYingjie. Support vector regression and its applications [D]. Beijing: China Agricultural University, 2005. (in Chinese)

[1]	王振波, 张君, 罗孙一鸣. 喷水法成型纤维网增强水泥基板材抗弯性能[J]. 清华大学学报（自然科学版）, 2014, 54(5): 551-555.
[2]	罗逍, 姚远, 张金换. 一种毫米波雷达和摄像头联合标定方法[J]. 清华大学学报（自然科学版）, 2014, 54(3): 289-293.
[3]	张金换, 刘卫国, 李景涛, 赵福全. 行人头型冲击器试验有限元建模及敏感参数分析[J]. 清华大学学报（自然科学版）, 2014, 54(3): 294-298.
[4]	许述财, 邹猛, 魏灿刚, 王龙臻, 张金换, 于用军. 仿竹结构薄壁管的轴向耐撞性分析及优化[J]. 清华大学学报（自然科学版）, 2014, 54(3): 299-304.
[5]	屈岳波, 曹彬, 王梁, 张伯奇, 吴健栋, 蔡志鹏, 潘际銮. 窄间隙埋弧焊接头熔合区弱化的研究[J]. 清华大学学报（自然科学版）, 2014, 54(3): 305-308.
[6]	林源, 梁舒, 王生进. 基于非刚性ICP的三维人脸数据配准算法[J]. 清华大学学报（自然科学版）, 2014, 54(3): 334-340.
[7]	张珂, 丁巧林, 刘涛, 赵伟. 基于细节空间关系的自然语言组合描述方法[J]. 清华大学学报（自然科学版）, 2014, 54(3): 341-347.
[8]	朱兵, 陈洵欢, 张文俊, 胡山鹰, 金涌. 中国合成氨行业清洁生产潜力分析[J]. 清华大学学报（自然科学版）, 2014, 54(3): 309-313.
[9]	熊杰明, 陈潇, 孙国娟, 葛明兰, 黄海燕, 杨靖丰. 煤沥青原料性质和反应条件对中间相炭微球粒度分布和形貌的影响[J]. 清华大学学报（自然科学版）, 2014, 54(3): 314-319.
[10]	张超, 刘奕, 张辉, 黄弘. 基于支持向量机的城市燃气日负荷预测方法研究[J]. 清华大学学报（自然科学版）, 2014, 54(3): 320-325.
[11]	肖斌, 肖田元. 支持成员动态重用的HLA/RTI扩展[J]. 清华大学学报（自然科学版）, 2014, 54(3): 326-333.
[12]	蔡志鹏, 吴健栋, 汤之南, 张伯奇, 潘际銮, 刘霞. 汽轮机焊接转子接头低周疲劳过程损伤变量的复合分析法[J]. 清华大学学报（自然科学版）, 2014, 54(2): 178-184.
[13]	刘佳君, 孙振国, 张文增, 陈强. 两端吸附式爬壁机器人机械臂运动误差修正算法[J]. 清华大学学报（自然科学版）, 2014, 54(2): 185-190.
[14]	赵海燕, 徐兴全, 于兴哲, 朱小武. 旋挖钻机钻杆键条焊接接头的残余应力[J]. 清华大学学报（自然科学版）, 2014, 54(2): 191-196.
[15]	彭卓, 邓焱, 马骋, 熊剑平, 尹永利. 基于FPGA的高精度正弦信号发生器设计与实现[J]. 清华大学学报（自然科学版）, 2014, 54(2): 197-201.