摘要
可靠的短期交通流量预测对于智能交通系统至关重要，它能够实现实时控制、减轻拥堵并提高城市交通效率。然而，交通流量具有不确定性、时间依赖性，并且受到显著日内变化的影响，这使得准确预测变得困难。为了解决这些问题，本研究引入了一种功能自回归（FAR）模型，该模型将每日交通流量视为连续的随机函数而非离散观测值，从而保持了时间连续性并捕捉到了潜在的对称结构。该模型使用了2022年1月至2024年12月期间从爱尔兰都柏林机场连接路（Dublin Airport Link Road）以15分钟为间隔收集的高频交通数据；2022-2023年的数据用于模型估计，而2024年的数据则用于一天前的样本外评估。研究采用了移动窗口过滤技术，通过概率方法识别异常值并减少噪声来提高模型的鲁棒性。所提出的FAR模型与传统模型（包括自回归（AR）、自回归移动平均（ARMA）、非参数自回归（NPAR）和向量自回归（VAR）模型）进行了基准测试。实证结果表明，FAR模型在所有交通条件下均表现出更出色的预测性能，全天的平均绝对百分比误差（MAPE）为9.160%，而VAR模型的MAPE为11.623%；同时FAR模型的平均绝对误差（MAE）为76.772，均方根误差（RMSE）为131.767。该模型在工作日和周末的表现同样优异，相应MAPE分别为8.129%和10.438%。此外，该模型在高峰期和非高峰期都表现出良好的鲁棒性，能够有效捕捉对称和非对称的交通变化，并提供了更易于解释的日内模式表示。这些发现表明，功能时间序列建模为交通预测提供了一个有效且计算效率较高的框架，在下一代智能交通系统中具有广泛应用潜力。
