文档名：基于变分模态分解和LSTM的短时交通流预测
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.
作者：邴其春 张伟健 沈富鑫 胡嫣然 高鹏 刘东杰 Author：BINGQichun ZHANGWeijian SHENFuxin HUYanran GAOPeng LIUDongjie
作者单位：青岛理工大学机械与汽车工程学院,山东青岛266520青岛市交通运输公共服务中心,山东青岛266100
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2023, 37(10)
分类号：U491
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
机标分类号：U491TP391TM715
在线出版日期：2023年6月15日
基金项目：山东省重点研发计划项目，山东省自然科学基金基于变分模态分解和LSTM的短时交通流预测[
期刊论文] 重庆理工大学学报--2023, 37(10)邴其春 张伟健 沈富鑫 胡嫣然 高鹏 刘东杰交通流具有非线性、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...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于变分模态分解和LSTM的短时交通流预测 Short-term traffic flow prediction based on variational modal decomposition and LSTM
基于变分模态分解和LSTM的短时交通流预测.pdf
- 文件大小:
- 6.23 MB
- 下载次数:
- 60
-
高速下载
|
|
