基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题，将变分模态分解（VariationalMode Decomposition,VMD）和改进麻雀搜索算法（ImproveSparrowSearchAlgorithm,ISSA）与长短期记忆（LongShort-Term Memory, LSTM）神经网络相结合，建立一种短时交通流预测模型（VMD-ISSA-LSTM）。首先利用VMD对历史原始交通流数据进行分解；然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进，增强ISSA算法的寻优能力；最后，将每个分量送入ISSA-LSTM中进行预测，同时将预测结果线性叠加，得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明，与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比，VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%，能够更好地应用于短时交通流预测中。