基于奇异谱分析的长时交通流混合预测模型

作者：王逸文; 王维莉^*; 陈怡霏; 毛蔚敏; 刘贤超

来源：电子测量与仪器学报, 2022, 36(11): 98-106.

DOI：10.13382/j.jemi.B2205590

• 奇异谱分析
• 支持向量回归
• 极限学习机
• 交通流预测

长时交通流预测是综合交通运输系统规划的重要组成部分，也是宏观交通流管理政策制定的重要依据。针对时序预测中存在较多噪声及单一模型预测效果不稳定等问题，提出了一种基于奇异谱分析(SSA)的混合预测模型，以提高实际应用中交通流序列预测的精度与效率。首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项，其中趋势项运用支持向量回归(SVR)进行预测，并引入灰狼优化(GWO)算法对模型参数进行优化，周期项利用带遗忘机制的在线序列极限学习机(FOS-ELM)预测，最后叠加两部分得到预测结果。以真实交通流数据开展实验，本文所提出的混合预测模型的平均绝对误差为215.15,均方根误差为278.51。整体结果表明，该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题；相比经验模态分解(EMD)以及未经处理的时间序列，各模型对经过奇异谱分析的时间序列的预测误差均有所减小，进一步证实了奇异谱分析在时间序列分解中的有效性。

• 单位
  上海海事大学