详情

原文传递基于互补型集成经验模态分解和遗传最小二乘支持向量机的短时交通流预测方法研究

论文题名：	基于互补型集成经验模态分解和遗传最小二乘支持向量机的短时交通流预测方法研究
关键词：	交通流预测;混沌理论;相空间重构;经验模态分解;支持向量机
摘要：	随着我国经济快速发展，我国汽车保有率迅速上升，但过多的车辆也增加了现有交通系统的压力，将引发出交通拥堵、交通事故和道路交通环境污染等问题，在这种情况下智能交通系统应运而生，其关键技术就是建立准确的短时交通流预测模型，预测出未来时间段的交通流，从而提前判断未来可能出现的交通情况，便于交通部门及时调整，提高道路通行能力，对于改善交通环境具有极其重要的意义。　　本文通过对国内外现有的交通流预测模型进行分析，总结出各个预测方法的优缺点，针对交通流自身的特性，结合分解与重构的理论，提出了一种基于互补型集成经验模态分解和遗传最小二乘支持向量机的预测模型，以实现更加准确的预测，并验证其有效性，本文所做工作如下：　　（1）介绍本文所用的交通流数据来源，对数据错误的类型进行分类，采取针对性的措施对错误数据进行修复，并使用小波变换对数据进行降噪，得到误差相对较小、更还原真实情况的交通流时间序列，为预测模型提供可靠的数据支撑，便于后续研究预测。　　（2）分析交通流的特性，为了更好地研究交通流时间序列的内部运动趋势，对其进行相空间重构，将一维数据拓展至高维空间，选取C-C算法计算重构所需的参数，并计算实验交通流时间序列的Lyapunov指数，结果大于0，表明选取的实验交通流具有混沌性可以用于短时预测。　　（3）建立基于遗传算法优化的最小二乘支持向量机，对实验数据进行预测，结果表明经过优化后的最小二乘支持向量机预测结果精度得到提高，但对于波动性较大的数据处理能力需要进一步提升。　　（4）针对交通流具有非线性、非平稳性、波动性大等特点，使用分解方法对交通流序列进行分解，以降低原始数据波动性对预测的影响，在对比多种分解方法分解后的重构误差后，证明经过互补型集成经验模态分解后的交通流时间序列更加平稳，适宜预测。　　（5）建立基于分解与重构的交通流预测模型，使用互补型集成经验模态分解交通流时间序列，对分解后的分量进行相空间重构，以还原其内部动力特征，将重构后的分量输入至经过遗传算法优化过参数的最小二乘支持向量机，构建了基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流预测模型，根据对照实验，与传统的单一预测模型相比，本文提出的基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流预测模型的平均绝对误差为13.46、平均绝对百分比误差为3.57%、均方误差为282.23，均低于对照模型，说明该组合模型能够提升预测精度，可以满足短时交通流预测需求。
作者：	王小凡
专业：	交通运输工程
导师：	朱永强;郭鹏
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2021