基于变分模态分解和LSTM的短时交通流预测

被引：17

作者：

邴其春 ^{[1
]}

张伟健 ^{[1
]}

沈富鑫 ^{[1
]}

胡嫣然 ^{[1
]}

高鹏 ^{[2
]}

刘东杰 ^{[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：

重庆理工大学学报(自然科学) | 2023年 / 05期

关键词：

智能交通; 短时交通流预测; 变分模态分解; 长短时记忆神经网络; 深度学习;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

交通流具有非线性、波动性和随机性等特征，为进一步提高短时交通流预测精度，提出了一种基于变分模态分解(VMD)和长短时记忆(LSTM)神经网络的短时交通流预测方法。采用VMD将原始交通流数据分解为k个平稳的固有模态分量(IMF),针对每个模态分量分别输入LSTM模型进行预测，将各项预测值汇总叠加，获得交通流预测结果。利用上海南北高架快速路感应线圈数据进行验证分析，结果表明：采用VMD分解后的预测结果更为精确，相比于BPNN、LSTM、EMD-LSTM、EEMD-LSTM等模型的预测结果，在平均绝对误差(MAE)方面分别优化了35.5%、28.25%、21.1%、13%,具有较高的预测精度。

引用

页码：169 / 177

页数：9

共 23 条

[1]

一种EMD和DE-BPNN组合优化的短时交通流预测方法 [J].