基于时间序列分解的交通流量预测模型

摘要

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。