冥函数变换在短时交通流组合预测中的应用

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (16): 240-243.

冥函数变换在短时交通流组合预测中的应用

李宁1，2，王晓东1，2，侯俊峰3，黄国勇1，2

1.昆明理工大学信息工程与自动化学院，昆明 650500
2.云南省矿物管道输送工程技术研究中心，昆明 650500
3.中烟工业有限责任公司，河南许昌 461000

出版日期:2013-08-15 发布日期:2013-08-15

Application of power function on short-term traffic flow prediction

LI Ning1，2, WANG Xiaodong1，2, HOU Junfeng3, HUANG Guoyong1，2

1.Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China
2.Engineering Research Center for Mineral Pipeline Transportation, Kunming 650500, China
3.China Tobacco Henan Industrial CO, LTD, Xuchang, Henan 461000, China

Online:2013-08-15 Published:2013-08-15

摘要/Abstract

摘要： 实际交通流是一个明显含有噪声的非线性时间序列。针对这一特点提出对此时间序列进行冥函数变换，变换之后的噪声会比原始信号的压缩程度更大，从而降低白噪声对预测结果的不利影响；利用最小二乘支持向量机（LS-SVM）对自回归求和滑动平均（ARIMA）模型的预测结果进行循环补偿；通过冥函数反变换对输出结果进行相应的信号还原。实验预测结果表明，经过冥函数变换后的组合预测模型具有较高的预测精度。

关键词: 冥函数变换, 自回归求和滑动平均模型（ARIMA）, 最小二乘支持向量机（LS-SVM）, 短时交通流预测

Abstract: Traffic flow is a non-linear time series with obvious noise. For this feature, a conversion method using power function is proposed to the time series, after the transformation, the noise?than the original signal?will be?a greater degree of?compression. And reduce the adverse effects of the predicted results. Use LS-SVM to compensation loop for the prediction?of? ARIMA. Use the inverse transform method to restore the signal?output. The results show that the combination model based on the conversion of power function possesses satisfactory accuracy．

Key words: power function, Autoregressive Integrated Moving Average Model（ARIMA）, Least Squares Support Vector Machines（LS-SVM）, short-term traffic flow prediction

李宁1，2，王晓东1，2，侯俊峰3，黄国勇1，2. 冥函数变换在短时交通流组合预测中的应用[J]. 计算机工程与应用, 2013, 49(16): 240-243.

LI Ning1，2, WANG Xiaodong1，2, HOU Junfeng3, HUANG Guoyong1，2. Application of power function on short-term traffic flow prediction[J]. Computer Engineering and Applications, 2013, 49(16): 240-243.

[1]	桂智明，李壮壮，郭黎敏. 基于ACGRU模型的短时交通流预测[J]. 计算机工程与应用, 2020, 56(21): 260-265.
[2]	李彤伟，王庆荣. 路网交通流在时空分析背景下的预测研究[J]. 计算机工程与应用, 2020, 56(17): 258-265.
[3]	李越1，2，范玉刚1，2，黄国勇1，2. MRSVD敏感分量在单频周跳探测修复中的应用[J]. 计算机工程与应用, 2017, 53(7): 220-224.
[4]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[5]	李亮，孙秦. SVM-HDMR高维非线性近似模型构造法[J]. 计算机工程与应用, 2013, 49(15): 6-9.
[6]	王洪波,朱启兵. 基于EMD和LS-SVM的非平稳振动信号趋势预测[J]. 计算机工程与应用, 2008, 44(16): 157-159.