计算机应用

作者：夏进, 王正群, 朱世明

单位：扬州大学 信息工程学院，江苏 扬州 225127

关键词：短时交通流预测,时间序列分解,时空特征,离散傅里叶变换,互信息,监督学习

基金：国家自然科学基金资助项目(61803330);江苏省自然科学基金资助项目(BK20201430)

短时交通流预测不仅与历史数据相关，而且也受相邻区域交通情况影响。针对传统时间序列分解（TSD）模型忽略交通流的趋势性和空间相关性的问题，提出了基于时间序列分解与时空特征（TSD-ST）结合的时间序列处理模型。首先，利用经验模态分解（EMD）和离散傅里叶变换（DFT）得到趋势分量和周期分量，利用互信息（MI）算法挖掘波动分量的时空（ST）相关性，并以此为根据重构状态向量；随后，通过长短期记忆（LSTM）网络利用状态向量对波动分量进行预测；最后，将序列的3部分的预测结果重构，得到最终预测值。利用美国华盛顿州I090号州际公路的真实数据验证模型的有效性。实验结果表明，与支持向量回归（SVR）、梯度提升回归树（GBRT）、LSTM相比，所提模型的均方根误差（RMSE）分别降低了16.5%、34.0%和36.6%。由此可见，所提模型在提升预测精度方面十分有效。

来源：2023年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第4期