Prévision de la congestion routière à l'aide de la modélisation ARIMA

La congestion routière est un problème difficile largement reconnu qui augmente de manière croissante dans le monde entier. Cet article utilise un modèle basé sur ARIMA pour étudier certains facteurs qui affectent de manière significative le taux de congestion routière. Nous présentons un modèle de séries temporelles à court terme pour des données de trafic non gaussiennes. Le modèle aide les décideurs à mieux gérer la congestion routière en capturant et en prédisant tout état anormal. Nous commençons par mettre en évidence les caractéristiques et la structure du jeu de données qui impactent négativement la performance de l'analyse de séries temporelles. Nous utilisons R pour prétraiter et préparer le jeu de données pour la phase de modélisation. Nous utilisons le modèle ARIMA largement adopté pour analyser et prédire les observations du flux de trafic, mesurées sur une base horaire, dans une zone d'étude désignée en Californie, aux États-Unis. Plusieurs modèles ARIMA sont construits en utilisant l'analyse ACF et PACF des séries temporelles de trafic pour être comparés au modèle proposé par la fonction auto.arima fournie par le langage R qui utilise un mouvement brownien avec dérive. Le résidu obtenu de notre modèle démontre une haute performance dans la prédiction de l'état futur du trafic.