大概讀了一下，第6節小波分析那里實在沒有看懂。
如果有理解不對的地方歡迎批評指正。

建模方法

這篇論文選用的是時間序列模型和小波理論，小波理論那里我實在沒看懂，說說他基于時間序列模型的組合建模方法，這是選擇時間序列模型的理由：

作者是將整個交通流數據分解為四個分項（即從四個角度去看待的交通流數據）：周期分項、趨勢分項、線性分項和非線性分項：

其中周期分項就是交通流呈現出的周期性（比如每天肯定會有早晚高峰、每周肯定都是周末車流量大，交通流肯定是呈周期性變化的，每個周期之間都會有相似性）。用的是譜分析，也就是空間坐標系到極坐標系上的分解：

趨勢特征就是每天肯定都會有早、晚高峰，高峰期車流量會比非高峰期大，這就是數據的趨勢。
周期分項和趨勢分項都是從宏觀上看數據，和數據樣本的屬性關系比較大（可能大城市高峰期時間更長，小城市高峰期時間更短），你換一組別的地方的交通流數據，可能就會有過擬合的問題，屬于不同樣本自帶的屬性，對于訓練可以運用于多個交通流樣本的泛化模型是不利的。

所以我們把他去掉，然后分析線性分項和非線性分項。
線性分項適用于非高峰期數據，這里的數據比較平穩，實質上是對序列均值的分析；而非線性分項主要用于分析高峰期數據，這里的數據波動情況較大。

得出的結論：

其中周期和趨勢具有長相關性，我的理解就是這兩項是宏觀的，是和數據樣本本身的情況密切相關的，可能對于這一組數據是一個情況，對于另一組數據就是另一種情況了。而線性和非線性分項是微觀的，是與數據樣本相對獨立的，較為純粹的“交通流”的、內在的。所以周期和趨勢由于其與數據樣本的高相關性、會削弱模型對于不同樣本數據的泛化能力。

數據預處理

主要是兩點：
1.指數平滑法處理缺失值和異常值：


2.min-max歸一化與z-score歸一化
z-score歸一化由于考慮到了方差，相比min-max歸一化能夠更好的處理極值過分影響整體數據的情況

定義

1.基礎量：交通流量

2.占有率，其實就是觀測時間內有車通過的時間占比：

總結

以上是生活随笔為你收集整理的交通流分析1：《基于大数据的城市公路交通流短时预测研究_张红》阅读总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。