一种EMD和DE-BPNN组合优化的短时交通流预测方法

针对短时交通流非线性的特点以及BP神经网络(BPNN)在进行短时交通流预测时易陷入局部极小值的缺点,提出一种基于经验模态分解(EMD)和差分进化算法优化BP神经网络(DE-BPNN)的短时交通流预测方法。利用EMD算法将交通时序数据中不同模态的分量逐级分解出来,生成一系列不同尺度的本征模态函数(IMF)和残余量,去除一定噪声影响;借助DE-BPNN算法进行短时交通流预测,并采用美国加利福尼亚州高速公路交通流数据,对该方法进行验证和预测精度测试。实验结果表明:采用EMD分解后的交通流预测结果更为精确,相比其他预测方法,其预测结果的MAE值分别提升了50.07%、49.36%、18.68%;MSE值分别提升了52.46%、47.84%、12.37%;MAPE值分别提升了52.11%、51.08%、35.09%;MSPE值分别提升了56.36%、52.59%、43.53%。