重庆理工大学学报2023，Vol.37Issue(10) ：169-177.DOI:10.3969/j.issn.1674-8425(z).2023.05.020

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

邴其春 张伟健 沈富鑫 胡嫣然 高鹏 刘东杰
重庆理工大学学报2023，Vol.37Issue(10) ：169-177.DOI:10.3969/j.issn.1674-8425(z).2023.05.020
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

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

邴其春 1张伟健 1沈富鑫 1胡嫣然 1高鹏 2刘东杰2
扫码查看

作者信息

  • 1. 青岛理工大学 机械与汽车工程学院,山东 青岛 266520
  • 2. 青岛市交通运输公共服务中心,山东 青岛 266100
  • 折叠

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.

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

引用本文复制引用

基金项目

山东省重点研发计划项目(2019GGX101038)

山东省自然科学基金(ZR2019MG012)

出版年

2023
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
被引量2
参考文献量13
段落导航相关论文