本文選題：高速公路　切入點：經(jīng)驗模態(tài)分解　出處：《計算機仿真》2017年06期

【摘要】：交通流量預測對于高速公路管理進行決策至關重要,但是由于短時交通流量有較強的突發(fā)性、時變性和非線性,傳統(tǒng)的預測方法預測精度低,適應能力差。為了提高短時交通流量預測精度,提出一種基于經(jīng)驗模態(tài)分解(EMD)和維納濾波預處理的時間序列預測方法。采用EMD將交通流量數(shù)據(jù)分解成多個本征模態(tài)分量,信號主導模態(tài)利用自回歸滑動平均(ARMA)模型進行預測,而噪聲主導模態(tài)采用維納濾波進行去噪處理后再建立模型預測,最后將各部分預測結果線性組合得到最終預測結果。利用上述方法對四川成都的交通流量數(shù)據(jù)進行預測,結果表明選用的方法比傳統(tǒng)單一預測模型有更高的預測精度。
[Abstract]:Traffic flow forecasting is very important for highway management. However, because of the strong sudden, time-varying and nonlinear characteristics of short-term traffic flow, the traditional forecasting methods have low accuracy. In order to improve the accuracy of short-term traffic flow prediction, a time series prediction method based on empirical mode decomposition (EMD) and Wiener filter is proposed. The traffic flow data are decomposed into multiple intrinsic modal components by EMD. The signal-dominant modal is predicted by the autoregressive moving average ARMA-model, while the noise-dominated modal is de-noised by Wiener filter, and then the model prediction is established. Finally, the final prediction results are obtained by combining each part of the prediction results linearly, and the traffic flow data of Chengdu, Sichuan Province are forecasted by the above methods. The results show that the proposed method has a higher prediction accuracy than the traditional single forecasting model.
【作者單位】： 四川大學電氣信息學院;
【基金】：四川省交通科技項目(2013c7-1)
【分類號】：TN713;U491.14

【相似文獻】

相關期刊論文 前10條

1 潘昱,張晶;基于城市路口相關性的交通流量預測[J];交通與計算機;2005年01期

2 劉世超;基于極大似然估計的路段交通流量預測[J];西南交通大學學報;2005年02期

3 劉長虹;陳志恒;黃虎;;城市短期交通流量預測方法的探討[J];現(xiàn)代交通技術;2006年01期

4 侯明善;蘭云;;基于自適應模糊神經(jīng)推理網(wǎng)絡的交通流量預測研究[J];機械科學與技術;2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機在交通流量預測中的應用[J];計算機應用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡的交通流量預測研究[J];公路與汽運;2007年06期

7 范魯明;賀國光;;改進非參數(shù)回歸在交通流量預測中的應用[J];重慶交通大學學報(自然科學版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預測方法[J];華東理工大學學報(自然科學版);2011年03期

9 劉長虹;黃虎;陳力華;吳偉蔚;;基于隨機過程下的交通流量預測方法[J];上海工程技術大學學報;2006年02期

10 猶勇;;組合預測方法在城市交通流量預測中的運用[J];重慶工商大學學報(自然科學版);2007年02期

相關會議論文 前7條

1 龐清樂;;基于蟻群算法的交通流量預測[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

2 張勇;關偉;;基于多變量序列重構的交通流量預測[A];2008第四屆中國智能交通年會論文集[C];2008年

3 劉強;朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預測中的應用[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 劉智勇;徐今強;李水友;;城市交通流量的混沌時間序列預測[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

5 周申培;嚴新平;;信息融合技術在交通流量預測中的應用[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 于江波;陳后金;;基于分段學習的BP神經(jīng)網(wǎng)絡的交通流量預測[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

7 蔣海峰;魏學業(yè);張屹;;基于加權一階局域法的短時交通流量預測的研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

相關碩士學位論文 前10條

1 胡孟杰;基于流量預測的交通信號控制技術研究[D];浙江工業(yè)大學;2014年

2 慕偉;城市道路交通流預測與路徑選擇研究[D];浙江工業(yè)大學;2015年

3 林海濤;面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D];南京郵電大學;2016年

4 談X;基于路口相關性的變結構式組合交通流量預測的研究[D];合肥工業(yè)大學;2017年

5 許麗;基于多源數(shù)據(jù)的通勤高峰期交通流量預測方法[D];西南交通大學;2017年

6 張仁初;寧波港船舶交通流量預測研究[D];大連海事大學;2008年

7 朱文姍;擬建高速公路交通流量預測系統(tǒng)的設計與實現(xiàn)[D];中國科學院大學（工程管理與信息技術學院）;2014年

8 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡的短時城市交通流量預測研究[D];北京交通大學;2012年

9 何偉;模糊神經(jīng)網(wǎng)絡在交通流量預測中的應用研究[D];蘭州交通大學;2012年

10 吳凱;基于神經(jīng)網(wǎng)絡的短時交通流量預測研究[D];南京郵電大學;2013年

，

本文編號：1675160