摘要
为了充分利用和提升神经网络模型预测道路交通流量的能力,帮助城市交通管理机构科学合理的开展快速路交通管理,专门选取成都市日月大道快速路匝道车流量数据,利用经验模态分解模型(CEEMDAN)和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)结合独立主成分分析(ICA)的长短期记忆网络(LSTM)构建交通流预测模型,对快速路车流量进行预测.首先运用CEEMDAN 模型对快速路匝道某天 24h的车流量数据进行CEEMDAN信号分解,然后使用DBSCAN算法进行聚类,再利用ICA算法进行降维.最后,利用LSTM模型处理ICA算法降维后数据,再将各组分训练结果相加得到最终的CEEMDAN-DBSCAN-ICA-LSTM 神经网络模型预测结果.基于快速路车流量数据的CEEMDAN-DBSCAN-ICA-LSTM 模型仿真结果表明:该组合预测模型分别比常见的 LSTM 模型、CEEMDAN-LSTM 模型、CEEM DAN-ICA-LST M 模型、CEEMDAN-DBSCAN-LSTM模型的 MAE值分别平均提升了 6.21%,3.45%,2.6%和 1.75%;MAPE值平均提升了 7.52%,2.3%,1.8%和1.4%;RMSE值平均提升了8.51%,1.25%,1.1%和 1%.上述研究证明CEEMDAN-DBSCAN-ICA-LSTM 模型有效提高对城市快速道路车流量的预测精度和效果.
维普
万方数据