基于经验模态分解和长短期记忆神经网络的短期交通流量预测

摘要

交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降.针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM.首先,通过经验模态分解(EMD)算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆(LSTM)神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出.对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差(MAE)比LSTM低了1.91632,平均绝对百分误差(MAPE)比LSTM降低了4.64545个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题.