科研之友
微信
新浪微博
Facebook
分享链接
摘要
短时交通流预测是动态交通管理与控制领域的重要问题之一，然而当前大多数交通流预测模型针对交通流的多种特性考虑不足，预测精度与稳定性较差。为提高快速路的短时交通流预测精度，建立了一种能够捕获多种交通流特性的交通流预测模型，提出了一种基于互信息量-自适应经验模态分解-自适应增强的组合预测模型。以快速路历史交通流数据为基础，利用MI加权算法处理交通流之间的时间相关性，筛选出与目标路段交通流相关性最高的历史数据。对相关性最高的历史数据进行CEEMDAN模态分解，得到多个本征模函数分量。计算了各个本征模函数分量的排列熵值(PE),筛选出能够反映目标路段交通流特性的有效分量，并将有效分量构建为重组子序列。之后，对重组后的子序列分别构建了BP-Adaboost短时交通流预测模型，将子序列的预测值叠加构成最终的短时交通流预测结果。最后，选取实际快速路交通流数据进行了验证。结果表明：所提出的MI-CEEMDAN-ADABOOST预测模型的均方根误差、平均均方误差、平均绝对百分误差均低于其他预测模型，预测误差最小，预测精度最高。针对同一预测模型而言，经过MI-CEEMDAN处理的模型各项预测误差指数明显降低，预测精度有所提高。
-
单位深圳市城市交通规划设计研究中心
