改进的LS-SVM数学模型的交通流量预测分析

针对交通流量数据具有非线性和非平稳性的特点,运用EMD和FOA算法实现LS-SVM核参数和惩罚系数的自适应优化选择,提出了一种基于EFLS-SVM算法的交通流量预测模型。通过EMD提取交通流量数据的细节特征和趋势特征,构建出基于EFLS-SVM的交通流量预测模型,分别进行单步、3步、5步和7步预测。通过不同交通流量预测模型的实验对比发现,EFLS-SVM算法的预测精度和预测效率均优于其他模型,从而为交通网络资源的合理配置提供科学决策的依据。     

基于经验模式分解与LSTM神经网络的短期电价预测模型

在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解(EMD)与长短期记忆神经网络(LSTM)的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归(SVR)叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型

文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型.在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度.实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31％ 和21％,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果.     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于相空间重构和RELM的短时交通流量预测

为了提高短时交通流量预测的精度,构建了基于相空间重构和正则化极端学习机的短时交通流量预测模型.首先采用C-C算法求解交通流量时间序列的最佳时间延迟和嵌入维数,进行相空间重构;然后选用G-P算法计算序列关联维数,判断出短时交通流量序列具有混沌特性.在此基础上,将重构数据作为正则化极端学习机的输入和输出来训练模型,并采用网格搜索法优化模型参数.最后以实测数据为基础,对模型的预测效果进行对比分析.结果表明,新构建模型的预测效果良好,能够有效提高短时交通流量预测精度.     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用EEMD方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的EC值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60 min,30 min,15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,本文提出的模型是可行的和有效的,更适用于短期流量预测。     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

实时交通数据的噪声识别和消噪方法

以常用的交通数据———交通量时间序列的实测数据为例,给出多个噪声识别及消噪预处理的实验结果.为提高建模的准确度,采用模糊减法聚类对交叉口实测交通量进行噪声识别.对实测交通量采用奇异值分解的滤波方法进行除噪预处理,并通过训练径向基函数网络进行预测.与数据未经滤波直接训练网络相比,预测结果的平均绝对相对误差降低了3.31%.用小波变换对交通量数据进行消噪处理,即通过多分辨率的小波分解和重构来实现消噪.实验表明,若对原始交通量时间序列消噪后再建立预测模型,将获得更好的预测结果,这说明研究的噪声识别和消噪方法的可行性和有效性.     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。