文献类型：期刊文章

作　　者：赵磊娜[1,2] 王延鹏[2] 邵毅明[2] 李淑庆[2] 温欣雨[1]

ZHAO Leina;WANG Yanpeng;SHAO Yiming;LI Shuqing;WEN Xinyu(School of Mathematics and Statistics,Chongqing Jiaotong University,Chongqing 400074,China;School of Traffic and Transportation,Chongqing Jiaotong University,Chongqing 400074,China)

机构地区：[1]重庆交通大学数学与统计学院,重庆400074 [2]重庆交通大学交通运输学院,重庆400074

出　　处：《重庆交通大学学报（自然科学版）》

基　　金：国家重点研发计划项目(2018YFB1601000,2018YFB601001);重庆市自然科学基金项目(cstc2018jcyjAX0288)。

年　　份：2022

卷　　号：41

期　　号：3

起止页码：37-44

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势。研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947%、13.591、0.316%,且均等系数提高了0.0821。

关 键 词：交通工程 短时交通量预测 时变滤波经验模态分解  最小二乘支持向量机 时间序列

分 类 号：U491[物流管理与工程类]