典型文献
基于MI-CEEMDAN-ADABOOST的快速路短时交通流预测
文献摘要：
短时交通流预测是动态交通管理与控制领域的重要问题之一,然而当前大多数交通流预测模型针对交通流的多种特性考虑不足,预测精度与稳定性较差.为提高快速路的短时交通流预测精度,建立了一种能够捕获多种交通流特性的交通流预测模型,提出了一种基于互信息量-自适应经验模态分解-自适应增强的组合预测模型.以快速路历史交通流数据为基础,利用MI加权算法处理交通流之间的时间相关性,筛选出与目标路段交通流相关性最高的历史数据.对相关性最高的历史数据进行CEEMDAN模态分解,得到多个本征模函数分量.计算了各个本征模函数分量的排列熵值(PE),筛选出能够反映目标路段交通流特性的有效分量,并将有效分量构建为重组子序列.之后,对重组后的子序列分别构建了BP-Adaboost短时交通流预测模型,将子序列的预测值叠加构成最终的短时交通流预测结果.最后,选取实际快速路交通流数据进行了验证.结果表明:所提出的MI-CEEMDAN-ADABOOST预测模型的均方根误差、平均均方误差、平均绝对百分误差均低于其他预测模型,预测误差最小,预测精度最高.针对同一预测模型而言,经过MI-CEEMDAN处理的模型各项预测误差指数明显降低,预测精度有所提高.
文献关键词：
智能交通;时间序列;短时流量预测;组合预测;预测模型
中图分类号：
作者姓名：
奇兴族
作者机构：
深圳市城市交通规划设计研究中心, 广东 深圳 518000
文献出处：
引用格式：
[1]奇兴族-.基于MI-CEEMDAN-ADABOOST的快速路短时交通流预测)[J].公路交通科技,2022(06):136-143
A类：
ADABOOST,短时流量预测
B类：
MI,CEEMDAN,短时交通流预测,交通管理与控制,控制领域,交通流特性,互信息,信息量,经验模态分解,自适应增强,组合预测模型,流数据,加权算法,时间相关性,路段,历史数据,本征模函数,排列熵,PE,子序列,Adaboost,快速路交通,均方误差,预测误差,智能交通
AB值：
0.18146
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。
