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 Wang Yiwen;Wang Weili;Chen Yifei;Mao Weimin;Liu Xianchao

作者机构：上海海事大学物流研究中心上海201306 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2022年第36卷第11期

页      面：98-106页

核心收录：

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(71904116) 上海市科技创新行动计划项目(19DZ1209600)资助 

主　　题：奇异谱分析 支持向量回归 极限学习机 交通流预测 

摘      要：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。