基于CEEMD-GRU组合模型的快速路短时交通流预测

被引：31

作者：

沈富鑫 ^{[1
]}

邴其春 ^{[1
]}

张伟健 ^{[1
]}

胡嫣然 ^{[1
]}

高鹏 ^{[2
]}

机构：

[1] 青岛理工大学机械与汽车工程学院

[2] 青岛市交通运输公共服务中心

来源：

河北科技大学学报 | 2021年 / 42卷 / 05期

关键词：

公路运输管理; 城市快速路; 短时交通流预测; 互补集成经验模态分解; 门控循环单元神经网络;

D O I：

暂无

中图分类号：

U491.1 [交通调查与规划];

学科分类号：

082303 [交通运输规划与管理];

摘要：

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。

引用

页码：454 / 461

页数：8

共 13 条

[1]

基于GRU深度网络的铁路短期货运量预测 [J].

谭雪 ;

张小强 .

铁道学报 , 2020, (12) :28-35

[2]

基于GRU-RNN模型的交叉口短时交通流预测研究 [J].

于德新 ;

邱实 ;

周户星 ;

王卓睿 .

公路工程, 2020, 45 (04) :109-114

[3]

智能网联环境下基于混合深度学习的交通流预测模型 [J].

陆文琦 ;

芮一康 ;

冉斌 ;

谷远利 .

交通运输系统工程与信息, 2020, 20 (03) :47-53

[4]

改进支持向量回归机的短时交通流预测 [J].

傅成红 ;

杨书敏 ;

张阳 .

交通运输系统工程与信息, 2019, 19 (04) :130-134+148

[5]

基于KNN-LSTM的短时交通流预测 [J].

罗向龙 ;

李丹阳 ;

杨彧 ;

张生瑞 .

北京工业大学学报, 2018, 44 (12) :1521-1527

[6]

基于ARIMA-GARCH-M模型的短时交通流预测方法 [J].

王晓全 ;

邵春福 ;

尹超英 ;

计寻 ;

管岭 .

北京交通大学学报, 2018, (04) :79-84

[7]

基于模糊卡尔曼滤波的短时交通流量预测方法 [J].

郭海锋 ;

方良君 ;

俞立 .

浙江工业大学学报, 2013, 41 (02) :218-221

[8]

基于小波消噪的ARIMA与SVM组合交通流预测 [J].

谭满春 ;

李英俊 ;

徐建闽 .

公路交通科技, 2009, 26 (07) :127-132+138

[9]

Short-term traffic flow prediction based on spatio-temporal analysis and CNN deep learning [J].

Zhang, Weibin ;

Yu, Yinghao ;

Qi, Yong ;

Shu, Feng ;

Wang, Yinhai .

TRANSPORTMETRICA A-TRANSPORT SCIENCE, 2019, 15 (02) :1688-1711

[10]

Travel time prediction for highway network based on the ensemble empirical mode decomposition and random vector functional link network.[J].Linchao Li;Xu Qu;Jian Zhang;Hanchu Li;Bin Ran.Applied Soft Computing Journal.2018,

← 1 2 →