详情

原文传递基于时间序列分解的短时交通流预测模型研究

论文题名：	基于时间序列分解的短时交通流预测模型研究
关键词：	短时交通流;预测模型;时间序列分解;支持向量回归;长短期记忆网络
摘要：	随着技术的进步、小康社会的发展，使得全国汽车保有量剧增，带来生活便利的同时也为有限的交通设施带来无限的交通压力。智能交通系统(ITS)是将道路、车辆、管理者三方相连的媒介，是缓解交通压力、保护生态环境的重要技术手段。短时交通流预测作为ITS的关键技术，其任务是对目标路段未来5～15分钟内的通行车辆数进行预测，并将预测结果提供给ITS的子程序进行分析并做出相应的决策，包括交通信号灯控制、潮汐车道控制等，甚至可以与每个交通参与者的导航系统相连为其接下来的出行计划做出合理的调整，实现了交通道路的一体化监测与管理。　　交通路网关系十分复杂，大多数路段之间的交通数据具有相互依赖性，因此仅依靠单个采样点自身的历史数据难以实现对未来交通流的精确预测。现有的交通流预测模型大多都是依靠某个采样点历史数据的影响来预测，这样的预测结果往往难以及时响应交通流的变化趋势，从而产生预测值滞后的现象。本文针对这一问题，提出了时空特征捕捉和时间序列分解相结合的短时交通流预测模型。具体工作内容如下所示: 　　(1)针对单一模型预测仅依靠历史数据进行预测时产生的滞后问题，构建了一种基于EMD-LSTM-SVR的短时交通流预测模型。通过经验模态分解(EMD)算法分解交通流序列，并计算每个分量的排列熵。然后，将每个子序列分为低、中、高频分量并分别构建预测模型，同时对熵值最高的分量使用小波阈值降噪(WTD)算法做降噪处理。最后，通过构建支持向量回归(SVR)预测模型并融合不同核函数来对低频分量和中频分量进行预测，高频分量则是依靠对长短期记忆神经网络(LSTM)构建预测模型。实验证明,分解预测模型能够通过对各分量构建针对性预测模型，从而有效提高预测精度。　　(2)为了简化预测模型的复杂度，构建了一种基于EMD-DFT的短时交通流预测模型。该模型根据每个分量独有的特征，将交通流序列分解为趋势分量、周期分量、波动分量。其中，趋势分量为EMD算法分解后得到的残差成分。周期分量是对去趋势分量使用离散傅里叶变换(DFT)算法而来，具有标准的周期性。波动分量是通过剔除前两个分量后的余项。作为预测部分最困难的就是波动分量，需要融合MI算法来捕捉交通流的时空特征，从而提高整个预测模型的精度。最终对趋势分量和波动分量构建SVR和LSTM预测模型，分别进行预测并叠加得到最终预测结果。　　(3)为了满足动态交通数据预测的要求，构建了一种基于动态时间序列分解的短时交通流预测模型。当季节性趋势分解(STL)算法的内外循环结束后可以得到趋势分量、季节性分量、波动分量。为了能够对动态序列预测，使用DFT算法计算该分量的标准周期，并延拓到整个序列长度上作为该采样点的周期分量。同样的，对趋势分量和波动分量构建SVR和LSTM预测模型进行训练。面对新的交通数据，依靠确定的周期分量，通过LOESS算法完成内外循环得到趋势项和波动项，根据新得到的各分量进行状态向量重构，输入到对应的预测模型中，再叠加分量预测值得到最终预测结果，实现动态交通流序列预测。
作者：	夏进
专业：	控制工程
导师：	王正群;徐春林
授予学位：	硕士
授予学位单位：	扬州大学
学位年度：	2023