期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
EEMD+BiGRU组合模型在短时交通流量预测中的应用
被引量:
2
1
作者
张玺君
郝俊
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2023年第2期73-80,共8页
针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模...
针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。
展开更多
关键词
智能
交通
交通时序数据
集合经验模态分解
双向门控循环单元
交通
流预测
下载PDF
职称材料
基于经验模态分解和长短期记忆神经网络的短期交通流量预测
被引量:
21
2
作者
张晓晗
冯爱民
《计算机应用》
CSCD
北大核心
2021年第1期225-230,共6页
交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。...
交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆(LSTM)神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差(MAE)比LSTM低了1.91632,平均绝对百分误差(MAPE)比LSTM降低了4.64545个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题。
展开更多
关键词
交通时序数据
噪声
经验模态分解
长短期记忆神经网络
交通
流量控制策略
下载PDF
职称材料
基于EMD-LSTM神经网络的交通流量预测模型
被引量:
3
3
作者
曾阳艳
苏雅
张琪慧
《商学研究》
2021年第3期110-115,共6页
针对城市交通流序列非线性、周期性、随机性以及原始数据常还包含一些噪声的特点,为了提高交通流量预测精度,本文提出了一种能够去噪且能处理长时依赖问题的组合预测算法--EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中不...
针对城市交通流序列非线性、周期性、随机性以及原始数据常还包含一些噪声的特点,为了提高交通流量预测精度,本文提出了一种能够去噪且能处理长时依赖问题的组合预测算法--EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;再利用长短期记忆(LSTM)神经网络解决数据的长期依赖问题,进一步提升预测精度。实验结果表明,EMD-LSTM组合模型在整体的交通流量预测和早高峰晚高峰交通流量预测中均取得了较好的结果。其中,在整体的交通流量预测中,EMD-LSTM组合预测模型的均方根误差(RMSE)比LSTM减少了5.325,平均绝对误差(MAE)比LSTM减少了3.942,平均绝对百分比误差(MAPE)比LSTM降低了5.61个百分点。
展开更多
关键词
交通时序数据
经验模态分解(EMD)
长短期记忆神经网络(LSTM)
交通
流量预测
下载PDF
职称材料
题名
EEMD+BiGRU组合模型在短时交通流量预测中的应用
被引量:
2
1
作者
张玺君
郝俊
机构
兰州理工大学计算机与通信学院
出处
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2023年第2期73-80,共8页
基金
国家自然科学基金资助项目(62162040,61966023)
甘肃省高等学校创新基金资助项目(2021A-028)
甘肃省科技计划资助项目(21ZD4GA028)。
文摘
针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。
关键词
智能
交通
交通时序数据
集合经验模态分解
双向门控循环单元
交通
流预测
Keywords
intelligent traffic
traffic time series data
ensemble empirical mode decomposition
bidirectional gated recurrent unit
traffic flow prediction
分类号
U491 [交通运输工程—交通运输规划与管理]
下载PDF
职称材料
题名
基于经验模态分解和长短期记忆神经网络的短期交通流量预测
被引量:
21
2
作者
张晓晗
冯爱民
机构
南京航空航天大学计算机科学与技术学院
南京航空航天大学人工智能学院
出处
《计算机应用》
CSCD
北大核心
2021年第1期225-230,共6页
文摘
交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆(LSTM)神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差(MAE)比LSTM低了1.91632,平均绝对百分误差(MAPE)比LSTM降低了4.64545个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题。
关键词
交通时序数据
噪声
经验模态分解
长短期记忆神经网络
交通
流量控制策略
Keywords
traffic time series data
noise
Empirical Mode Decomposition(EMD)
Long Short-Term Memory(LSTM)neural network
traffic flow control strategy
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于EMD-LSTM神经网络的交通流量预测模型
被引量:
3
3
作者
曾阳艳
苏雅
张琪慧
机构
湖南工商大学大数据与互联网创新研究院
出处
《商学研究》
2021年第3期110-115,共6页
基金
湖南省自然科学基金青年项目“基于深度学习与智能分析的网约车流量预测与监管”(批准号:2018JJ3257)。
文摘
针对城市交通流序列非线性、周期性、随机性以及原始数据常还包含一些噪声的特点,为了提高交通流量预测精度,本文提出了一种能够去噪且能处理长时依赖问题的组合预测算法--EMD-LSTM。首先,通过经验模态分解(EMD)算法将交通时序数据中不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;再利用长短期记忆(LSTM)神经网络解决数据的长期依赖问题,进一步提升预测精度。实验结果表明,EMD-LSTM组合模型在整体的交通流量预测和早高峰晚高峰交通流量预测中均取得了较好的结果。其中,在整体的交通流量预测中,EMD-LSTM组合预测模型的均方根误差(RMSE)比LSTM减少了5.325,平均绝对误差(MAE)比LSTM减少了3.942,平均绝对百分比误差(MAPE)比LSTM降低了5.61个百分点。
关键词
交通时序数据
经验模态分解(EMD)
长短期记忆神经网络(LSTM)
交通
流量预测
Keywords
traffic time series data
empirical mode decomposition(EMD)
long short-term memory(LSTM)network
traffic flow prediction
分类号
U12 [交通运输工程]
TP311.13 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
EEMD+BiGRU组合模型在短时交通流量预测中的应用
张玺君
郝俊
《国防科技大学学报》
EI
CAS
CSCD
北大核心
2023
2
下载PDF
职称材料
2
基于经验模态分解和长短期记忆神经网络的短期交通流量预测
张晓晗
冯爱民
《计算机应用》
CSCD
北大核心
2021
21
下载PDF
职称材料
3
基于EMD-LSTM神经网络的交通流量预测模型
曾阳艳
苏雅
张琪慧
《商学研究》
2021
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部