典型文献
利用时变经验模态分解的主干道短时交通量预测
文献摘要：
为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型.其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势.研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947％、13.591、0.316％,且均等系数提高了0.082 1.
文献关键词：
交通工程;短时交通量预测;时变滤波经验模态分解;最小二乘支持向量机;时间序列
中图分类号：
作者姓名：
赵磊娜;王延鹏;邵毅明;李淑庆;温欣雨
作者机构：
重庆交通大学数学与统计学院,重庆400074;重庆交通大学交通运输学院,重庆400074
文献出处：
引用格式：
[1]赵磊娜;王延鹏;邵毅明;李淑庆;温欣雨-.利用时变经验模态分解的主干道短时交通量预测)[J].重庆交通大学学报（自然科学版）,2022(03):37-44
A类：
短时交通量预测,时变滤波经验模态分解
B类：
主干道,中隐,非平稳特性,智能交通,TVF,EMD,最小二乘支持向量机,LSSVM,混合预测模型,来降,暗含,非平稳性,结果影响,描摹,信息演化,演化趋势,解结,交通流预测,分解技术,平均绝对误差,交通工程
AB值：
0.219711
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
