基于Box-Cox指数变换改进的ARIMA模型交通流预测方法

由于交通流量的日变化趋势带来的长期自相关性引起了交通流量时间序列的异方差性,使差分自回归移动平均模型在交通流量预测中预测精度降低.针对此问题,提出一种改进的方法应用于交通流量预测.该改进方法通过Box-Cox指数变换建立了观测交通流量数据均值和方差之间的函数关系,并由此推导了交通流量时间序列的方差齐次转换函数,有效消除了非平稳的交通流量时间序列的长期自相关引起的异方差性.结果表明:改进后的ARIMA模型由于考虑了长期自相关引起的异方差性这一非线性特性,相比非平稳的HoltWinter模型,具有更小的平均绝对百分误差和均方根误差,在低流量时刻能提供更为精确的置信区间.