杨东龙

（天津大学，天津 300072）

随着机动车数量呈指数形式增长，尤其是在上下班高峰期及节假日时期，城市道路堵塞严重，增加了居民的出行成本，使道路交通面临着巨大的压力[1]。运用智能交通系统是缓解目前问题的有效措施，而精准的实时车流量预测是发展智能交通的重要环节[2]。

根据时间维度的不同可以将车流量的预测划分为长时（年）车流量预测、中时（月/日）车流量预测和短时（时/分）车流量预测[3-5]。长时及中时车流量数据的周期性较强、随机干扰较弱，而短时车流量的数据具有高度不确定性，预测较为困难且精度不高[6]。目前，用于短时车流量预测的模型[7-8]大概分为两类：一类是通过多影响因子进行车流量曲线的拟合，包括XGboost、GBDT、随机森林等，该类模型依赖于影响因子的选取，在现实中难以完全获取相应数据；另一类是基于内生变量本身进行预测，包括ARIMA、LSTM、KNN 等，该类模型数据获取成本低，易于实现[9]。

文中基于ARIMA 算法[10-12]提出了一种改进型的短时车流量预测模型。ARIMA 算法只在下一个周期有较好的预测表现，该改进模型根据需要预测的时间周期个数，将短时车流量数据划分为对应的数据集组，每个数据集组预测下一个时间周期的车流量，从而实现多个时间周期的准确预测。仿真实验证明了该改进算法的普适性和准确性。

1 ARIMA算法

短时车流量预测属于时间序列预测[13-14]，这一类预测建模相对一般的回归模型更加复杂，因为时间序列的数值是按照时间先后顺序进行排列的，预测值依赖于时间次序。……