交叉口短时流量CEEMDAN-PE-OSELM预测模型

被引：31

作者：

田秀娟 ^{[1
]}

于德新 ^{[1
,2
]}

邢雪 ^{[3
]}

商强 ^{[1
]}

王树兴 ^{[4
]}

机构：

[1] 吉林大学交通学院

[2] 吉林省道路交通重点实验室

[3] 吉林化工学院信息与控制工程学院

[4] 山东高速股份有限公司

来源：

哈尔滨工业大学学报 | 2018年 / 50卷 / 03期

关键词：

时间序列; 短时流量预测; 组合预测; 经验模态分解; 极限学习机;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.

引用

页码：83 / 89

页数：7

共 11 条

[1]

基于相空间重构和RELM的短时交通流量预测 [J].

商强 ;

杨兆升 ;

李志林 ;

李霖 ;

曲鑫 .

华南理工大学学报(自然科学版), 2016, 44 (04) :109-114

[2]

基于AFSA-LSSVM的短时交通流量预测 [J].

刘静 .

计算机工程与应用 , 2013, (17) :226-229

[3]

基于小波分析的随机交通流组合预测方法研究 [J].

丁恒 ;

郑小燕 ;

刘燕 ;

陈无畏 .

系统仿真学报 , 2012, (02) :377-381

[4]

交通流量的混沌特性分析及预测模型研究 [J].

张玉梅 ;

曲仕茹 ;

温凯歌 .

土木工程学报, 2009, 42 (01) :119-123

[5]

基于支持向量机方法的短时交通流量预测方法 [J].

杨兆升 ;

王媛 ;

管青 .

吉林大学学报(工学版), 2006, (06) :881-884

[6]

混沌时间序列分析及其应用.[M].吕金虎等编著;.武汉大学出版社.2002,

[7]

The Application of Adaptive Kalman Filter in Traffic Flow Forecasting.[J].Yan Ni Wen.Advanced Materials Research.2013, 680

[8]

Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines.[J].Ruqiang Yan;Yongbin Liu;Robert X. Gao.Mechanical Systems and Signal Processing.2011,

[9]

Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1

[10]

Traffic volume time-series analysis according to the type of road use [J].

Lingras, P ;

Sharma, SC ;

Osborne, P ;

Kalyar, I .

COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING, 2000, 15 (05) :365-373

← 1 2 →