典型文献
基于CEE MDAN-ABC-LST M组合模型的短时交通流预测
文献摘要：
为了提高短时交通流预测精度,提出了基于自适应噪声完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和人工蜂群算法(Artificial Bee Colony,ABC)优化长短时记忆(Long Short-Term Memory,LSTM)神经网络的短时交通流预测方法.首先将非平稳、非线性的交通流数据利用CEEMDAN算法分解成相对平稳的多个固有模态分量和趋势分量;然后用人工蜂群算法对LSTM的参数进行寻优选择,将分解后的每个模态分量分别建立CEEMDAN-ABC-LSTM模型进行预测,最后叠加每个分量的预测值输出最终的预测结果.用感应线圈实测数据对构建模型进行验证分析,实验结果表明:模型具有较高的预测性能,其平均预测精度较LSTM,ABC-SVM和ABC-BPNN模型分别提升了19.8％,25.6％和38.7％.
文献关键词：
交通运输工程;短时交通流预测;CEEMDAN算法;人工蜂群算法;LSTM神经网络
中图分类号：
作者姓名：
沈富鑫;邴其春;张伟健;胡嫣然;高鹏
作者机构：
青岛理工大学 机械与汽车工程学院,青岛266525;青岛市交通运输公共服务中心,青岛266100
文献出处：
引用格式：
[1]沈富鑫;邴其春;张伟健;胡嫣然;高鹏-.基于CEE MDAN-ABC-LST M组合模型的短时交通流预测)[J].青岛理工大学学报,2022(05):96-103,119
A类：
MDAN
B类：
ABC,组合模型,短时交通流预测,自适应噪声,完全集成经验模态分解,Complete,Ensemble,Empirical,Mode,Decomposition,Adaptive,Noise,CEEMDAN,人工蜂群算法,Artificial,Bee,Colony,长短时记忆,Long,Short,Term,Memory,非平稳,流数据,数据利用,分解成,固有模态分量,感应线圈,构建模型,验证分析,预测性能,BPNN,交通运输工程
AB值：
0.277133
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。
