交通流量经验模态分解与神经网络短时预测方法

doi:10.3778/j.issn.1002-8331.2010.26.066

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (26): 212-214.DOI: 10.3778/j.issn.1002-8331.2010.26.066

交通流量经验模态分解与神经网络短时预测方法

罗向龙^1，2，牛国宏³，潘若禹⁴

1.长安大学信息工程学院，西安 710064
2.西安交通大学波动与信息研究所，西安 710049
3.西安市政设计研究院有限公司，西安 710068
4.西安邮电学院通信与信息工程学院，西安 710064

收稿日期:2009-02-20 修回日期:2009-04-11 出版日期:2010-09-11 发布日期:2010-09-11
通讯作者: 罗向龙

Short-term traffic flow prediction method based on EMD and artificial neural network

LUO Xiang-long^1，2，NIU Guo-hong³，PAN Ruo-yu⁴

1.School of Information Engineering，Chang’an University，Xi’an 710064，China
2.Institute of Wave and Information，Xi’an Jiaotong University，Xi’an 710049，China
3.Xi’an Municipal Engineering Design & Research Institute Co.，Ltd.，Xi’an 710068，China
4.School of Communication and Information Engineering，Xi’an Post & Telecommunication College，Xi’an 710064，China

Received:2009-02-20 Revised:2009-04-11 Online:2010-09-11 Published:2010-09-11
Contact: LUO Xiang-long

摘要/Abstract

摘要： 基于经验模态分解（EMD）和神经网络，提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态，利用神经网络对分解后的各分量进行预测，再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测，结果表明该方法具有很高的预测精度，明显优于直接采用神经网络的预测结果。

关键词: 短时交通流量, 经验模态分解, 人工神经网络, 预测

Abstract: An approach to short-term traffic flow prediction based on Empirical Mode Decomposition（EMD） and artificial neural network is proposed.Firstly，the traffic flow is decomposed into different modes by EMD.Then，these different modes are predicted by appropriate artificial neural networks，respectively.Finally，the traffic flow is obtained by adding up all predictive value.This method is used to predict traffic flow using I-800 measurement data，the results show that the proposed method has high predictive accuracy，and better than the outcome of direct using neural network prediction.

Key words: short-term traffic flow, Empirical Mode Decomposition（EMD）, artificial neural network, prediction

中图分类号:

TP391

罗向龙^1，2，牛国宏³，潘若禹⁴. 交通流量经验模态分解与神经网络短时预测方法[J]. 计算机工程与应用, 2010, 46(26): 212-214.

LUO Xiang-long^1，2，NIU Guo-hong³，PAN Ruo-yu⁴. Short-term traffic flow prediction method based on EMD and artificial neural network[J]. Computer Engineering and Applications, 2010, 46(26): 212-214.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[8]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[9]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[10]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[11]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[12]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[13]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[14]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[15]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.

交通流量经验模态分解与神经网络短时预测方法

Short-term traffic flow prediction method based on EMD and artificial neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics