In ahorawzy/TFTSA: Traffic Flow Time Series Analysis

library(TSA)
library(ggplot2)
library(forecast)
library(randomForest)

在上一次实验中，使用Box-Jenkins方法对10月1日当天交通流建模，一开始使用LOESS数据，发现不行，因为和LOESS几乎重合，没有区别；后面使用原换算当量的交通流量。总误差平方和为47171.85。使用指数平滑法预测下一个5min，得到总误差平方和为47189.7，和ARIMA模型差距不大，但指数平滑的计算量更低，参数更少，模型更简洁，更适用。

今天的实验尝试用随机森林回归建模。

读取数据

tml1001 <- read.csv("D:\\data\\thesis\\201610\\tmldata\\tml1001_2.csv",header = T)
dim(tml1001)

head(tml1001)

读取变换为t-5,t-10,t-15,t-20后的数据

diff_tml1001 <- read.csv("D:\\data\\thesis\\201610\\tmldata\\tml1001_3.csv",header = T)
dim(diff_tml1001)

names(diff_tml1001)

rf1 <- randomForest(t~t.5+t.10+t.15+t.20,data=diff_tml1001)

plot(diff_tml1001$时间序号,diff_tml1001$t)
lines(diff_tml1001$时间序号,rf1$predicted,col="red",lwd=2)

length(rf1$predicted)

sum((rf1$predicted-diff_tml1001$t)**2)

发现精确度还不如ARIMA和指数平滑。观察图形发现，对高峰的预测明显不足。曲线变化较为缓和。

ahorawzy/TFTSA documentation built on May 13, 2019, 12:18 p.m.