基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型
发布时间：2021-01-05 21:41
交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解（complete ensemble empirical mode decomposition,CEEMD）后,采用遗传算法（genetic algorithm,GA）优化参数的最小二乘支持向量机（least square support vector machine,LSSVM）的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数（intrinsic mode function,IMF）分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。
【文章来源】：科学技术与工程. 2020,20(17)北大核心
【文章页数】：5 页
【部分图文】：
模型预测流程图
选取美国加利福利亚州某道路2018年3月交通量数据为研究对象,选取每天早上8点至10点,采样周期5 min,共750组样本数据,将前650组数据作为训练数据,后100组作为测速数据,设置添加白噪声的标准偏差为0.4,原始数据分解后根据不同的频率得到9个本征模态函数IMFs分量,和1个残余分量,如图2所示。为了验证本文提出的互补型集成经验模态分解后基于遗传算法优化最小二乘支持向量机模型(CEEMD-GA-LSSVM)预测的准确性,另选取最小二乘支持向量机(LSSVM)、经验模态分解后最小二乘支持向量机(EMD-LSSVM)、互补型集成经验模态分解后最小二乘支持向量机(CEEMD-LSSVM)和经验模态分解后基于遗传算法优化最小二乘支持向量机(EMD-GA-LSVVM)共5种模型进行对比分析,从图3可以看出LSSVM、EMD-LSSVM两种模型预测值与实际值曲线偏离过多且波动较大。图4所示为CEEMD-LSSVM、EMD-GA-LSSVM与CEEMD-GA-LSSVM 3种模型预测值与实际值对比,可以看出,CEEMD-GA-LSSVM模型预测曲线更贴近实际值,具有较高的拟合度,预测效果明显高于另4种模型。
为了验证本文提出的互补型集成经验模态分解后基于遗传算法优化最小二乘支持向量机模型(CEEMD-GA-LSSVM)预测的准确性,另选取最小二乘支持向量机(LSSVM)、经验模态分解后最小二乘支持向量机(EMD-LSSVM)、互补型集成经验模态分解后最小二乘支持向量机(CEEMD-LSSVM)和经验模态分解后基于遗传算法优化最小二乘支持向量机(EMD-GA-LSVVM)共5种模型进行对比分析,从图3可以看出LSSVM、EMD-LSSVM两种模型预测值与实际值曲线偏离过多且波动较大。图4所示为CEEMD-LSSVM、EMD-GA-LSSVM与CEEMD-GA-LSSVM 3种模型预测值与实际值对比,可以看出,CEEMD-GA-LSSVM模型预测曲线更贴近实际值,具有较高的拟合度,预测效果明显高于另4种模型。图4 CEEMD-GA-LSSVM、EMD-GA-LSSVM、
【参考文献】：
期刊论文
[1]结合聚类模型和自适应模型的遗传算法[J]. 朱有产,周理. 科学技术与工程. 2018(30)
[2]基于CEEMD和GWO的超短期风速预测[J]. 王静,李维德. 电力系统保护与控制. 2018(09)
[3]一种基于改进遗传算法的神经网络优化算法研究[J]. 刘浩然,赵翠香,李轩,王艳霞,郭长江. 仪器仪表学报. 2016(07)
[4]基于CEEMD的爆破振动信号自适应去噪[J]. 刘莹,韩焱,郭亚丽,李坤. 科学技术与工程. 2015(32)
[5]基于EMD聚类与ARMA的交通流量预测方法[J]. 余林,舒勤,柏吉琼. 公路. 2015(05)
[6]基于改进的GA-LSSVM的软测量建模方法[J]. 王强,田学民. 北京理工大学学报. 2012(10)
[7]改进粒子群算法优化BP神经网络的短时交通流预测[J]. 李松,刘力军,翟曼. 系统工程理论与实践. 2012(09)
[8]基于SA-LSSVM的电力短期负荷预测[J]. 朱兴统. 科学技术与工程. 2012(24)
[9]基于PSO-SVM的短期交通流预测方法[J]. 曹成涛,徐建闽. 计算机工程与应用. 2007(15)
[10]基于LS-SVM的交通流量时间序列预测[J]. 张朝元,胡光华,徐天泽. 云南大学学报(自然科学版). 2004(S1)
本文编号：2959347
【文章来源】：科学技术与工程. 2020,20(17)北大核心
【文章页数】：5 页
【部分图文】：
模型预测流程图
选取美国加利福利亚州某道路2018年3月交通量数据为研究对象,选取每天早上8点至10点,采样周期5 min,共750组样本数据,将前650组数据作为训练数据,后100组作为测速数据,设置添加白噪声的标准偏差为0.4,原始数据分解后根据不同的频率得到9个本征模态函数IMFs分量,和1个残余分量,如图2所示。为了验证本文提出的互补型集成经验模态分解后基于遗传算法优化最小二乘支持向量机模型(CEEMD-GA-LSSVM)预测的准确性,另选取最小二乘支持向量机(LSSVM)、经验模态分解后最小二乘支持向量机(EMD-LSSVM)、互补型集成经验模态分解后最小二乘支持向量机(CEEMD-LSSVM)和经验模态分解后基于遗传算法优化最小二乘支持向量机(EMD-GA-LSVVM)共5种模型进行对比分析,从图3可以看出LSSVM、EMD-LSSVM两种模型预测值与实际值曲线偏离过多且波动较大。图4所示为CEEMD-LSSVM、EMD-GA-LSSVM与CEEMD-GA-LSSVM 3种模型预测值与实际值对比,可以看出,CEEMD-GA-LSSVM模型预测曲线更贴近实际值,具有较高的拟合度,预测效果明显高于另4种模型。
为了验证本文提出的互补型集成经验模态分解后基于遗传算法优化最小二乘支持向量机模型(CEEMD-GA-LSSVM)预测的准确性,另选取最小二乘支持向量机(LSSVM)、经验模态分解后最小二乘支持向量机(EMD-LSSVM)、互补型集成经验模态分解后最小二乘支持向量机(CEEMD-LSSVM)和经验模态分解后基于遗传算法优化最小二乘支持向量机(EMD-GA-LSVVM)共5种模型进行对比分析,从图3可以看出LSSVM、EMD-LSSVM两种模型预测值与实际值曲线偏离过多且波动较大。图4所示为CEEMD-LSSVM、EMD-GA-LSSVM与CEEMD-GA-LSSVM 3种模型预测值与实际值对比,可以看出,CEEMD-GA-LSSVM模型预测曲线更贴近实际值,具有较高的拟合度,预测效果明显高于另4种模型。图4 CEEMD-GA-LSSVM、EMD-GA-LSSVM、
【参考文献】：
期刊论文
[1]结合聚类模型和自适应模型的遗传算法[J]. 朱有产,周理. 科学技术与工程. 2018(30)
[2]基于CEEMD和GWO的超短期风速预测[J]. 王静,李维德. 电力系统保护与控制. 2018(09)
[3]一种基于改进遗传算法的神经网络优化算法研究[J]. 刘浩然,赵翠香,李轩,王艳霞,郭长江. 仪器仪表学报. 2016(07)
[4]基于CEEMD的爆破振动信号自适应去噪[J]. 刘莹,韩焱,郭亚丽,李坤. 科学技术与工程. 2015(32)
[5]基于EMD聚类与ARMA的交通流量预测方法[J]. 余林,舒勤,柏吉琼. 公路. 2015(05)
[6]基于改进的GA-LSSVM的软测量建模方法[J]. 王强,田学民. 北京理工大学学报. 2012(10)
[7]改进粒子群算法优化BP神经网络的短时交通流预测[J]. 李松,刘力军,翟曼. 系统工程理论与实践. 2012(09)
[8]基于SA-LSSVM的电力短期负荷预测[J]. 朱兴统. 科学技术与工程. 2012(24)
[9]基于PSO-SVM的短期交通流预测方法[J]. 曹成涛,徐建闽. 计算机工程与应用. 2007(15)
[10]基于LS-SVM的交通流量时间序列预测[J]. 张朝元,胡光华,徐天泽. 云南大学学报(自然科学版). 2004(S1)
本文编号：2959347
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2959347.html
