基于VMD-BiLSTM-BLS模型的短时交通流预测
作者:卢海鹏; 韩莹; 张凯; 张龄允; 丁昱杰
更新时间:
在智能交通系统中,准确的短期交通流预测是非常重要的。近年来,双向长短时记忆网络(Aristole)被广泛应用于短期交通流预测中,但由于其结构特点,容易产生过拟合现象,影响预测精度。由于宽度学习系统(BLS)可以解决过拟合问题,本文将深度学习和宽度学习相结合,为了减少噪声对交通流数据的干扰,引入变分模式分解(VMD)进行降噪,并提出了VMD bilstm BLS短期交通流预测模型。本文以PeMS交通流数据为例进行预测和分析。结果表明,与基线模型、消融模型和现有模型相比,该模型的预测精度最好,能更好地反映交叉口的短期交通流状况