基于CEEMDAN-ABC-LSTM组合模型的短时交通流预测

作者：沈富鑫; 邴其春^*; 张伟健; 胡嫣然; 高鹏

来源：青岛理工大学学报, 2022, 43(05): 96-119.

• 交通运输工程
• 短时交通流预测
• CEEMDAN算法
• 人工蜂群算法
• LSTM神经网络

为了提高短时交通流预测精度，提出了基于自适应噪声完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和人工蜂群算法（Artificial Bee Colony,ABC）优化长短时记忆（Long Short-Term Memory,LSTM）神经网络的短时交通流预测方法。首先将非平稳、非线性的交通流数据利用CEEMDAN算法分解成相对平稳的多个固有模态分量和趋势分量；然后用人工蜂群算法对LSTM的参数进行寻优选择，将分解后的每个模态分量分别建立CEEMDAN-ABC-LSTM模型进行预测，最后叠加每个分量的预测值输出最终的预测结果。用感应线圈实测数据对构建模型进行验证分析，实验结果表明：模型具有较高的预测性能，其平均预测精度较LSTM,ABC-SVM和ABC-BPNN模型分别提升了19.8%,25.6%和38.7%。

• 单位
  青岛理工大学