首页|基于变分模态分解和LSTM的短时交通流预测

基于变分模态分解和LSTM的短时交通流预测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
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.
Short-term traffic flow prediction based on variational modal decomposition and LSTM

邴其春、张伟健、沈富鑫、胡嫣然、高鹏、刘东杰

展开 >

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

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

山东省重点研发计划项目山东省自然科学基金

2019GGX101038ZR2019MG012

2023

10.3969/j.issn.1674-8425(z).2023.05.020

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2023.37(10)
  • 2
  • 13