原文传递
基于CEEMDAN分解的多分量短时交通流组合预测方法研究
| 论文题名： | 基于CEEMDAN分解的多分量短时交通流组合预测方法研究 |
| 关键词： | 短时交通流;组合预测;自适应噪声完备集合经验模态分解;长短时记忆神经网络;差分整合移动平均自回归 |
| 摘要： | 改革开放以来，伴随着国民人均GDP不断提升，人们对于出行的需求不断增加，私人车辆数量急剧膨胀。机动车数量的快速增长也引起了一系列交通问题，导致交通事故率提升和交通堵塞频发。 智能交通控制系统（ITS）与交通流诱导系统的核心在于对道路车辆的车流量进行实时分析，并针对未来时刻的交通堵塞做出预警。想要及时对行驶车流进行管控，需要ITS系统能够获取车流量的准确信息，并对车流量信息做出短期预测与分析。通过ITS系统交管部门能够准确获取实时交通流情况，并且对城市道路未来可能出现的拥堵进行提前疏导。智能交通系统的关键点在于对短时交通流进行实时监控并且预测分析，其中对于短时交通流的预测是ITS系统未来发展方向。国内外研究表明，短时交通流预测已有了多种方法，包括基于交通流数据的周期性的时间序列预测方法、基于交通流数据的非线性特征的信号分解组合预测方法和使用神经网络预测等方法。由于道路交通流容易受到时间段、周边卡口、以及天气状况等的影响，所以只考虑交通流只具有某一方面特性是不全面的，所以针对交通流的预测需要完整地考虑到交通流的多重特性。 根据前人对于短时交通流量的研究，并且结合不同方法的优缺点。本文提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)的多分量组合模型对短时交通流进行预测。首先，获取原始车流量数据，并进行预处理，通过CEEMDAN信号分解法对处理过的数据进行拆分，分为多个IMF分量。紧接着使用排列熵算法求出不同分量的时间序列复杂性，并将多个分量划分为高频分量、中频分量和低频分量。然后利用小批量梯度下降法优化的LSTM模型对高频分量进行预测，使用基于遗传算法的LSSVM模型对中频分量进行预测和使用ARIMA模型对低频分量进行预测。交通流最终预测值等于各分量预测值的总和。 文章使用湖北宜昌伍家-桔城路站南向北路段的过车数据作为实验数据。使用均方误差（MSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为预测效果的评价指标。卡口数据经过预处理输入所构建好的模型得到最终预测值，并与单一模型（长短时记忆神经网络，最小二乘支持向量机，差分整合移动平均自回归）所得结果进行对比。通过对比实验可以得出，文章所使用的基于CEEMDAN分解的多分量组合交通流预测模型的平均绝对误差为8.2431、平均绝对百分比误差为7.4285%、均方误差为114.1549，均低于对照模型，表明了该复合模型弥补了单一模型只针对交通流数据某一方面特征的不足，提升了预测准确性，可以满足短时交通流的预测需求。 |
| 作者： | 陈昌健 |
| 专业： | 应用统计 |
| 导师： | 陈辉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江西财经大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
