科研之友
微信
新浪微博
Facebook
分享链接
摘要
考虑到交通流的随机性和非线性特征导致预测精度低的问题，本文提出一种基于二次分解和融合多特征的组合预测模型。利用时序分解方法将提取交通流量中的趋势性和周期性特征，通过优化后的变分模态分解对残差分量进行二次分解，并对所得分量进行重构；使用相关系数法选取交通流的外部特征，建立3个相异模型对融合外部特征后的分量进行预测；利用强化学习优化各模型的权重，加权求和得到最终的预测结果。利用长沙市区的交通流量进行仿真分析，结果表明：与长短时记忆神经网络模型、卷积神经网络和门控循环单元的组合模型、二次分解后的BP和二次分解后的轻量级梯度提升机相比，本文建立的模型对城市道路交通流的预测效果更好，平均绝对误差为2.622,均方根误差为3.479,均优于对比模型的预测误差，验证了模型的有效性。
- 单位
