典型文献
基于改进VMD-GAT-GRU的交通流量组合预测模型
文献摘要：
针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预测模型.首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的RMSPRop优化算法迭代寻优,在提升优化算法收敛速度的同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出.实验采用RTMC系统交通数据,结果表明,该文提出的改进VMD-GAT-GRU时空融合组合预测模型相较于LSTM、GCN和GAT基准模型,平均绝对误差(MAE)分别降低9.35、4.12、4.09,平均绝对百分比误差(MAPE)分别降低16.42％、7.32％、8.1％,优化算法的收敛速度和组合模型的预测精度均得到有效提升.
文献关键词：
交通流量预测;变分模态分解;互信息熵;图注意力网络;门控循环单元网络
中图分类号：
作者姓名：
殷礼胜;吴洋洋
作者机构：
合肥工业大学电气与自动化工程学院 合肥 230009
文献出处：
引用格式：
[1]殷礼胜;吴洋洋-.基于改进VMD-GAT-GRU的交通流量组合预测模型)[J].电子测量与仪器学报,2022(07):62-72
A类：
RMSPRop,RTMC
B类：
VMD,GAT,GRU,组合预测模型,流时,非平稳性,空间相关性,时间依赖性,短时交通流预测,收敛速度,互信息熵,MI,变分模态分解算法,时间序列分解,分解成,列调,调幅,调频信号,号子,子序列,时序信号,图注意力网络,路网,对中心,点交,送入,入门,门控循环单元网络,迭代寻优,交通数据,时空融合,GCN,平均绝对误差,MAE,平均绝对百分比误差,MAPE,组合模型,交通流量预测
AB值：
0.228638
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。
