交通流是智能交通系統(tǒng)中的關(guān)鍵組成部分,也是交通規(guī)劃的重要依據(jù)。為了提高道路交通流量預(yù)測的精確性,提出一種基于互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition,CEEMD）后,采用遺傳算法（genetic algorithm,GA）優(yōu)化參數(shù)的最小二乘支持向量機(jī)（least square support vector machine,LSSVM）的交通流量預(yù)測模型。該模型使用互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解原始數(shù)據(jù),將分解后的本征模態(tài)函數(shù)（intrinsic mode function,IMF）分量分別用遺傳算法優(yōu)化參數(shù)后的最小二乘支持向量機(jī)進(jìn)行預(yù)測,疊加全部IMF分量值作為模型最終的預(yù)測結(jié)果。通過對美國加利福利亞州某高速公路一個(gè)月的交通流量數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測,結(jié)果表明,該模型平均相對誤差僅為6.51%,相較于其他模型擁有更好的預(yù)測效果,可為交通流的預(yù)測提供一定的參考。 

【文章來源】：科學(xué)技術(shù)與工程. 2020,20(17)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

模型預(yù)測流程圖

選取美國加利福利亞州某道路2018年3月交通量數(shù)據(jù)為研究對象,選取每天早上8點(diǎn)至10點(diǎn),采樣周期5 min,共750組樣本數(shù)據(jù),將前650組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),后100組作為測速數(shù)據(jù),設(shè)置添加白噪聲的標(biāo)準(zhǔn)偏差為0.4,原始數(shù)據(jù)分解后根據(jù)不同的頻率得到9個(gè)本征模態(tài)函數(shù)IMFs分量,和1個(gè)殘余分量,如圖2所示。為了驗(yàn)證本文提出的互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解后基于遺傳算法優(yōu)化最小二乘支持向量機(jī)模型(CEEMD-GA-LSSVM)預(yù)測的準(zhǔn)確性,另選取最小二乘支持向量機(jī)(LSSVM)、經(jīng)驗(yàn)?zāi)B(tài)分解后最小二乘支持向量機(jī)(EMD-LSSVM)、互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解后最小二乘支持向量機(jī)(CEEMD-LSSVM)和經(jīng)驗(yàn)?zāi)B(tài)分解后基于遺傳算法優(yōu)化最小二乘支持向量機(jī)(EMD-GA-LSVVM)共5種模型進(jìn)行對比分析,從圖3可以看出LSSVM、EMD-LSSVM兩種模型預(yù)測值與實(shí)際值曲線偏離過多且波動較大。圖4所示為CEEMD-LSSVM、EMD-GA-LSSVM與CEEMD-GA-LSSVM 3種模型預(yù)測值與實(shí)際值對比,可以看出,CEEMD-GA-LSSVM模型預(yù)測曲線更貼近實(shí)際值,具有較高的擬合度,預(yù)測效果明顯高于另4種模型。

為了驗(yàn)證本文提出的互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解后基于遺傳算法優(yōu)化最小二乘支持向量機(jī)模型(CEEMD-GA-LSSVM)預(yù)測的準(zhǔn)確性,另選取最小二乘支持向量機(jī)(LSSVM)、經(jīng)驗(yàn)?zāi)B(tài)分解后最小二乘支持向量機(jī)(EMD-LSSVM)、互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解后最小二乘支持向量機(jī)(CEEMD-LSSVM)和經(jīng)驗(yàn)?zāi)B(tài)分解后基于遺傳算法優(yōu)化最小二乘支持向量機(jī)(EMD-GA-LSVVM)共5種模型進(jìn)行對比分析,從圖3可以看出LSSVM、EMD-LSSVM兩種模型預(yù)測值與實(shí)際值曲線偏離過多且波動較大。圖4所示為CEEMD-LSSVM、EMD-GA-LSSVM與CEEMD-GA-LSSVM 3種模型預(yù)測值與實(shí)際值對比,可以看出,CEEMD-GA-LSSVM模型預(yù)測曲線更貼近實(shí)際值,具有較高的擬合度,預(yù)測效果明顯高于另4種模型。圖4 CEEMD-GA-LSSVM、EMD-GA-LSSVM、

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合聚類模型和自適應(yīng)模型的遺傳算法[J]. 朱有產(chǎn),周理.  科學(xué)技術(shù)與工程. 2018(30)
[2]基于CEEMD和GWO的超短期風(fēng)速預(yù)測[J]. 王靜,李維德.  電力系統(tǒng)保護(hù)與控制. 2018(09)
[3]一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究[J]. 劉浩然,趙翠香,李軒,王艷霞,郭長江.  儀器儀表學(xué)報(bào). 2016(07)
[4]基于CEEMD的爆破振動信號自適應(yīng)去噪[J]. 劉瑩,韓焱,郭亞麗,李坤.  科學(xué)技術(shù)與工程. 2015(32)
[5]基于EMD聚類與ARMA的交通流量預(yù)測方法[J]. 余林,舒勤,柏吉瓊.  公路. 2015(05)
[6]基于改進(jìn)的GA-LSSVM的軟測量建模方法[J]. 王強(qiáng),田學(xué)民.  北京理工大學(xué)學(xué)報(bào). 2012(10)
[7]改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測[J]. 李松,劉力軍,翟曼.  系統(tǒng)工程理論與實(shí)踐. 2012(09)
[8]基于SA-LSSVM的電力短期負(fù)荷預(yù)測[J]. 朱興統(tǒng).  科學(xué)技術(shù)與工程. 2012(24)
[9]基于PSO-SVM的短期交通流預(yù)測方法[J]. 曹成濤,徐建閩.  計(jì)算機(jī)工程與應(yīng)用. 2007(15)
[10]基于LS-SVM的交通流量時(shí)間序列預(yù)測[J]. 張朝元,胡光華,徐天澤.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(S1)



本文編號：2959347