Il est essentiel de prédire la vitesse de la circulation routière à court terme pour pouvoir concevoir des systèmes de transport intelligents. Jusqu’à présent, un certain nombre de méthodes de prédiction de la vitesse du trafic routier à court terme ont été élaborées. Récemment, des approches à variables multiples ont été proposées, qui tiennent compte de la corrélation spatiale et temporelle entre les données relatives à la circulation routière. Cependant, étant donné que ces données présentent souvent un caractère périodique, les méthodologies existantes ne parviennent souvent pas à tenir compte en même temps des informations spatiales et temporelles et de la périodicité des données relatives au trafic routier dans le cadre de prédictions multiniveaux. Dans le présent article, on a évalué de manière approfondie l’efficacité de la prédiction multiniveaux des modèles espace-temps (ET) et vectoriel autorégressif (VAR) et du modèle mixte intégré autorégressif et de moyennes mobiles (ARIMA), et ce à l’aide des données de vitesses recueillies pendant 5 minutes au moyen de cinq détecteurs à boucle sur la portion allant en direction de l’est de l’autoroute I394, dans le Minnesota. Pour davantage tenir compte des caractéristiques cycliques des données de vitesse collectées sur cette autoroute, on a proposé des méthodes prédictives hybrides permettant de décomposer la vitesse en deux composantes différentes : une composante périodique et une composante résiduelle. On décrit une fonction régressive trigonométrique, qui permet d’intégrer la première composante alors que la seconde est modélisée à l’aide des modèles ET, VAR et ARIMA. Les résultats montrent, dans le cas de la prédiction multiniveaux de la vitesse du trafic autoroutier, que lorsque l’intervalle de temps augmente, le modèle ET est plus performant que les modèles VAR et ARIMA. Des comparaisons entre les modèles ET, VAR, ARIMA et hybrides montrent que la modélisation effectuée séparément de la périodicité et de la composante résiduelle permet de mieux interpréter la structure sous-jacente des données de vitesse. La méthode prédictive hybride proposée peut tenir compte de la périodicité et fournit des prédictions plus précises lorsque l’on souhaite effectuer des prévisions sur des durées supérieures à 30 minutes. [Traduit par la Rédaction]

Short-term traffic speed forecasting is an important issue for developing Intelligent Transportation Systems applications. So far, a number of short-term speed prediction approaches have been developed. Recently, some multivariate approaches have been proposed to consider the spatial and temporal correlation of traffic data. However, as traffic data often demonstrates periodic patterns, the existing methodologies often fail to take into account spatial and temporal information as well as the periodic features of traffic data simultaneously in the multi-step prediction. This paper comprehensively evaluated the multi-step prediction performance of space time (ST) model, vector autoregression (VAR), and autoregressive integrated moving average (ARIMA) models using the 5 minute freeway speed data collected from five loop detectors located on an eastbound segment of Interstate 394 freeway, in Minnesota. To further consider the cyclical characteristics of freeway speed data, hybrid prediction approaches were proposed to decompose speed into two different components: a periodic trend and a residual part. A trigonometric regression function is introduced to capture the periodic component and the residual part is modeled by the ST, VAR, and ARIMA models. The prediction results suggest that for multi-step freeway speed prediction, as the time step increases, the ST model demonstrates advantages over the VAR and ARIMA models. Comparisons among the ST, VAR, ARIMA, and hybrid models demonstrated that modeling the periodicity and the residual part separately can better interpret the underlining structure of the speed data. The proposed hybrid prediction approach can accommodate the periodic trends and provide more accurate prediction results when the forecasting horizon is greater than 30 min.