一种基于时间序列的交通客流量预测方法

技术特征：
1.一种基于时间序列的交通客流量预测方法，其特征在于：所述基于时间序列的交通客流量预测方法包括如下步骤：步骤一：对航班数据、值机数据、行李信息、旅客基础信息等源数据进行数据抽取与重构的基础上，从值机方式分布、航班分布、值机旅客人数分布、客座率、旅客出行特点、航班延误进行数理统计，挖掘出影响客流量变化的原因；步骤二：在预测模型建立过程中依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；在一个航班计划表内很难寻到到明显的dow特性，需要对航班dow特性进行更仔细的数据分析；步骤三：首先，按照星期，将一周内每天的航班数以每六十分钟为一时段求每时段内的平均航班数量，其中x轴为时间，y轴为各时段内的航班数；然后，依旧按照星期将一周内每天的航班数以每六十分钟为一时段求每时段内的航班数量的汇总，所得到的数据加上实验分析航班离港时间、飞行频次、是否工作日发现影响值机客流量的因素；步骤四：arima模型是由博克思和詹金斯这两位学者提出的有关于时间序列的预测方法，被称为box-jenkins模型。2.根据权利要求1所述的基于时间序列的交通客流量预测方法，其特征在于：步骤二的具体过程为：1)、由于选择不同值机方式的人数相差较大以及每种值机方式的办理时间不同，所以，在预测模型建立过程中要依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；2)、在一个航班计划表内很难寻到到明显的dow特性，需要对航班dow特性进行更仔细的数据分析；接下来，基于机场内每个航空公司有固定的值机区域，以选择人工柜台值机为例，值机区域可以分为值机岛f、值机岛g以及值机岛h；按照星期和不同的值机岛进行数据分类，分别统计在一周内每个值机岛每天的航班数量变化，以每六十分钟为一时段来统计每时段内的航班数量。3.根据权利要求1所述的基于时间序列的交通客流量预测方法，其特征在于：步骤四的具体过程为：arima模型以原序列的平稳性和回归过程中的不同作为分类标准，包括ma过程、ar过程、arma过程、arima过程；arima(p,d,q)的被称为差分自回归移动平均模型，含有自回归ar，自回归项p，移动平均ma，移动平均项数q，以及差分次数d。4.根据权利要求3所述的基于时间序列的交通客流量预测方法，其特征在于：建立arima(p,d,q)的模型首先需要将时间序列从非平稳状态转化为平稳状态，然后仅对因变量的滞后值、随机误差项的现值和滞后值进行回归，最终得到预测模型:其中l是滞后算子，d∈z；d＞0。5.根据权利要求4所述的基于时间序列的交通客流量预测方法，其特征在于：某些时间序列中，有时会存在明显的周期性或者季节性的变化，这类序列称为季节性序列；建立季节性或周期性时间序sarima模型，即arima(p,d,q)
×
(p，d，q)s；其中，p,q,p,q
表示季节自回归,季节性的移动平均算子的最大滞后阶数、非季节自回归、非季节性的移动平均算子的最大滞后阶数，d,d分别表示非季节性的差分次数以及季节性的差分次数,s表示时序的变化周期；首先，变化周期s是指时间间隔为s的时序值之间具有相同的变化规律；为使数据更加具有代表性，需要利用季节差分的方法来消除周期性变化；差分算子的普遍定义是δ
s
＝1-l
s
；假设用y
t
表示季节性的时间序列，那么一次季节差分则可以表示为：δ
s
y
t
＝(1-l
s
)y
t
＝y
t-y
t-s
当时间序列为非平稳状态时，需要对变化周期s进行d次季节差分，这样才能完成平稳序列的转化；d不会大于1，p和q不会大于3；接下来，在u
t
是平稳的、非自相关的基础上，建立基于s周期的sarima模型：如果u
t
为非平稳状态且存在arma成分时u
t
可以表示为：即其中v
t
代表的是白噪声过程；最后，把上述公式代入，得到季节时间序列模型即(p，d，q)
×
(p，d，q)s阶乘季节性模型：6.根据权利要求1所述的基于时间序列的交通客流量预测方法，其特征在于：应对y
t
检验平稳性：第一，基于响应序列和输入序列来建立回归模型：y
t
＝β0 β1x
1t

…
β
k
x
kt
ε
t
其中，β0，β1...β
k
表示最小二乘估值，ε
t
对回归残差序列；第二，对回归残差序列ε
t
引进行平稳性检验；然后，进行回归模型的残差序列的判定；假设(y
t
)和(x
1t
)...(x
kt
)都为平稳序列，而且它们的线性组合也是平稳序列，则认为残差序列{ε
t
}是平稳的；接下来，检验模型是否具有延迟变量；这是因为回归模型不仅可以是y
t
关于x
it
(i＝1，2，3...，k)的回归，也可以是关于x
it
(i＝1，2，3...，k)的延迟变量的回归；最后得到：到：其中，α
t
为零均值白噪声序列；代表输入变量的第i个ar系数多项式；φ
i
(b)代表输入变量的第i个ma系数多项式；li代表第z个输入变量的延迟阶数；ε
t
代表回归残差序列。7.根据权利要求6所述的基于时间序列的交通客流量预测方法，其特征在于：以值机旅客人数(y
t
)为响应变量序列，航班数据(x
t
)为输入变量序列；在响应序列(y
t
)的时间序列平稳的基础上，将输入变量序列(x
t
)作为协变量加入到时间序列中建立arimax模型；其中，选择历史数据时将采用dow的策略；第一步，时间序列必须满足方差齐性要求，需要对时间序列(y
t
)进行平稳性分析；第二步，计算(y
t
)和(x
t
)的互相关系数并验证互相关性；需要将(y
t
)和(x
t
)从各自的自相关关系
中剥离出来，对(y
t
)和(x
t
)的互相关系数进行预白化处理；这主要用于判断响应序列(y
t
)和输入变量序列(x
t
)是否为伪相关；相关的基础上，进一步研究(y
t
)和(x
t
)之间的ccf；第三步，在arimax模型中，若不满足平稳性，就容易产生虚假回归问题；利用协整理论对(y
t
)和(x
t
)进行协整检验；第四步，为了确定应将协变量的哪些滞后项纳入模型中，需要考察预白化数据的样本互相关图来找寻依据，进而初步将(y
t
)拟合成对于(x
t
)序列的带有误差的回归模型；第五步，进行模型检验；若该模型各项系数显著且通过各种模型诊断性检验，则得到动态回归的arimax模型。

技术总结
本发明涉及一种基于时间序列的交通客流量预测方法，此方法在源数据己完成抽取、重构和数据预处理后，从值机方式分布、航班分布、值机旅客人数分布、客座率、旅客出行特点等方面进行数理统计和影响因素的相关分析。基于数据分析的结果，发现时间序列中潜在的变化规律和主要的影响因子，找出能够提高预测精度的关键因素；在客流量的潜在变化规律分析过程中，发现时序变化规律呈现出高度的特征相似性；以短时段每小时的值机客流量为研究对象，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性分析，提出了带有输入变量的动态回归的ARIMAX模型，来预测航站楼内短时段的值机客流量的人数情况。值机客流量的人数情况。值机客流量的人数情况。


技术研发人员：杨涌文 董子文 李苑勋 张丽婷
受保护的技术使用者：上海电力大学
技术研发日：2022.03.04
技术公布日：2022/7/1