典型文献
基于奇异谱分析的长时交通流混合预测模型
文献摘要：
长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据.针对时序预测中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交通流序列预测的精度与效率.首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOS-ELM)预测,最后叠加两部分得到预测结果.以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为215.15,均方根误差为278.51.整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇异谱分析在时间序列分解中的有效性.
文献关键词：
奇异谱分析;支持向量回归;极限学习机;交通流预测
中图分类号：
作者姓名：
王逸文;王维莉;陈怡霏;毛蔚敏;刘贤超
作者机构：
上海海事大学物流研究中心 上海 201306
文献出处：
引用格式：
[1]王逸文;王维莉;陈怡霏;毛蔚敏;刘贤超-.基于奇异谱分析的长时交通流混合预测模型)[J].电子测量与仪器学报,2022(11):98-106
A类：
B类：
奇异谱分析,混合预测模型,交通流预测,综合交通运输,交通运输系统,系统规划,管理政策,时序预测,SSA,高实,序列预测,精度与效率,原始数据,趋势项,周期项,支持向量回归,SVR,灰狼优化,GWO,遗忘机制,线序,极限学习机,FOS,ELM,分得,实交,流数据,平均绝对误差,经验模态分解,EMD,预测误差,时间序列分解
AB值：
0.313585
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。
