基于EMD-LSTM神经网络的交通流量预测模型

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：针对城市交通流序列非线性、周期性、随机性以及原始数据常还包含一些噪声的特点,为了提高交通流量预测精度,本文提出了一种能够去噪且能处理长时依赖问题的组合预测算法——EMD-LSTM.首先,通过经验模态分解(EMD)算法将交通时序数据中不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;再利用长短期记忆(LSTM)神经网络解决数据的长期依赖问题,进一步提升预测精度.实验结果表明,EMD-LSTM组合模型在整体的交通流量预测和早高峰晚高峰交通流量预测中均取得了较好的结果.其中,在整体的交通流量预测中,EMD-LSTM组合预测模型的均方根误差(RMSE)比LSTM减少了5.325,平均绝对误差(MAE)比LSTM减少了3.942,平均绝对百分比误差(MAPE)比LSTM降低了5.61个百分点.

外文标题：Traffic Flow Prediction Model Based on Empirical Mode Decomposition and Long Short-term Memory Neural Network

作者：

曾阳艳、苏雅、张琪慧

展开 >

作者单位：

湖南工商大学大数据与互联网创新研究院, 湖南长沙410205

关键词：

交通时序数据经验模态分解 (EMD) 长短期记忆神经网络 (LSTM) 交通流量预测

基金：

湖南省自然科学基金青年项目

项目编号：

2018JJ3257

出版年：

2021

商学研究

ISSN：

年,卷(期)：2021.28(3)

被引量2
参考文献量11