文献类型：期刊文章

作　　者：田秀娟[1] 于德新[1,2] 邢雪[3] 商强[1] 王树兴[4]

TIAN Xiujuan;YU Dexin;XING Xue;SHANG Qiang;WANG Shuxing(College of Transportation, Jilin University, Changchun 130022, China;Jilin Province Key Laboratory of Road Traffic,Changchun 130022, China;College of Information and Control Engineering, Jilin Institute of Chemical Technology,Jilin 132022, Jilin, China;Shandong High？Speed Company Limited, Jinan 250000, China)

机构地区：[1]吉林大学交通学院,长春130022 [2]吉林省道路交通重点实验室,长春130022 [3]吉林化工学院信息与控制工程学院,吉林吉林132022 [4]山东高速股份有限公司,济南250000

出　　处：《哈尔滨工业大学学报》

基　　金：国家科技支撑计划项目(2014BAG03B03);山东省省管企业科技创新项目(20122150251-1)

年　　份：2018

卷　　号：50

期　　号：3

起止页码：83-89

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.

关 键 词：时间序列  短时流量预测  组合预测 经验模态分解 极限学习机

分 类 号：U491[物流管理与工程类]