典型文献
基于EEMD和小波阈值的短时交通流预测研究
文献摘要：
为克服现有短时交通流预测方法未能充分考虑交通流的随机性、非线性特征,提出一种基于集合经验模态分解(empirical mode decomposition,EEMD)结合小波分析的短时交通流预测模型构建方法.首先,利用EEMD将原交通流数据分解为N个本征模态函数(intrinsic mode fuction,IMF)和1个趋势项(residual,Res);其次,使用小波分析对含噪声信号的本征模态函数进行小波分析处理;最后,提出两类模型构建方法:①将经过小波分析处理后的N个IMF和Res进行重构,将其分别输入长短期记忆网络模型(long short-term memory,LSTM)、序列模型(sequence to sequence,Seq2seq)和引入注意力机制序列模型(seq2Seq attention),模型输出即为最终预测值(方法1);②将小波分析处理后的IMF和Res分别输入LSTM模型、Seq2seq模型和Seq2Seq Attention模型,模型输出为各分量预测值,将其重构后即为最终预测值(方法2).将两类模型预测方法分别与初始LSTM、Seq2seq和Seq2Seq Attention模型以及基于小波分析与LSTM、Seq2seq和Seq2Seq Attention模型的组合预测模型进行对比实验,结果表明:两类模型构建方法能够显著提升初始预测模型的预测性能,相较于基于小波分析的组合预测模型,其预测性能均有所提升,且相较于方法1,方法2对模型性能的提升效果更加显著.
文献关键词：
交通工程;短时交通流预测;集合经验模态分解;小波分析
中图分类号：
作者姓名：
马莹莹;靳雪振
作者机构：
华南理工大学土木与交通学院,广东广州510640
文献出处：
引用格式：
[1]马莹莹;靳雪振-.基于EEMD和小波阈值的短时交通流预测研究)[J].重庆交通大学学报（自然科学版）,2022(06):22-29
A类：
fuction,seq2Seq
B类：
EEMD,小波阈值,短时交通流预测,预测研究,随机性,非线性特征,集合经验模态分解,empirical,mode,decomposition,小波分析,预测模型构建,构建方法,原交,流数据,数据分解,本征模态函数,intrinsic,IMF,趋势项,residual,Res,噪声信号,分析处理,两类模型,别输,长短期记忆网络模型,long,short,term,memory,序列模型,sequence,Seq2seq,注意力机制,attention,模型输出,即为,Seq2Seq,Attention,模型预测方法,于小波,组合预测模型,预测性能,模型性能,提升效果,交通工程
AB值：
0.263961
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。
