典型文献
基于CEEMDAN-组合预测模型的短时交通流预测
文献摘要：
短时交通流预测是智能交通系统进行交通管控和出行规划决策的重要依据之一,针对短时交通流信号非平稳、难预测的问题,为提高预测精度,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)-组合预测模型的短时交通流预测方法.利用CEEMDAN将原始交通流时间序列分解为多个复杂度、频率不同的本征模态函数(IMF)分量,再根据Pearson相关系数的大小进行分量重构,分别使用麻雀搜索-BP模型(SSA-BP)和贝叶斯-长短时记忆网络(Bayes-LSTM)对高、低相关系数IMF重构分量预测,最后将组合模型预测值线性叠加得到短时交通流预测结果.结果表明:对交通流时序信号进行CEEMDAN分解能明显提高预测精度;SSA-BP预测高相关系数IMF重构分量叠加Bayes-LSTM预测低相关系数IMF重构分量的模型相较于 BP 模型、CEEMDAN-BP、CEEMDAN-LSTM 模型和 CEEMDAN-Bayes-LSTM 模型,R2 分别下降了 21.50％、9.09％、7.75％、4.23％.
文献关键词：
CEEMDAN分解;短时交通流预测;Pearson相关系数;组合预测模型
中图分类号：
作者姓名：
张向阳;吴梦云;张卫华
作者机构：
安徽理工大学矿业工程学院,安徽 淮南 232001;合肥工业大学汽车与交通工程学院,安徽 合肥 230000
文献出处：
引用格式：
[1]张向阳;吴梦云;张卫华-.基于CEEMDAN-组合预测模型的短时交通流预测)[J].安徽理工大学学报（自然科学版）,2022(06):8-17
A类：
B类：
CEEMDAN,组合预测模型,短时交通流预测,智能交通系统,交通管控,出行规划,规划决策,非平稳,完全自适应噪声集合经验模态分解,流时,时间序列分解,本征模态函数,IMF,麻雀搜索,SSA,长短时记忆网络,Bayes,组合模型预测,线性叠加,加得,时序信号,测高,别下
AB值：
0.200017
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。
