科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对交通流预测精度受到原始信号噪声、模态混叠等因素的影响，提出了一种基于集成经验模态分解和双向长短期记忆网络的融合神经网络模型，并加入注意力层，实现短期交通流预测.集成经验模态分解将交通流信号分解成多个固有模态分量，双向长短期记忆网络从正向和反向同时读取序列，并将输出的信号输入注意力层.实验结果表明：所提出的模型成功抑制了模态混叠现象，并且可以更充分地学习交通流序列中的时序特征，且注意力机制能够捕捉整个交通流时间序列更加有影响力的时间点，并合理分配其训练权重，提高递归模型的特征提取能力；所提出的集成经验模态分解-长短期记忆网络-注意力机制模型的平均绝对百分比误差和拟合优度分别为1.231 8%和0.941 0,优于其他6种竞争模型，在短期交通流预测中具有较高的精度和稳定性.
- 单位
