2021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(湖南工商大学 大数据与互联网创新研究院,湖南 长沙 410205)摘要: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。
基于EMD-LSTM神经网络的交通流量预测模型
摘要 城市轨道交通进站旅客的流量存在非线性、随机性、周期性等特点,导致长短时记忆神经网络(LSTM, Long Short-Term Memory)在有效处理上述数据特性时,其算法性能上对预置参数具有很大的时间依赖性,导致预测...展开更多 The flow of passengers entering urban rail transit stations exhibits characteristics such as ...
文中基于EMD和SSA算法,对LSTM神经网络进行优化,提出一种新的组合预测模型.利用EMD算法降低数据噪点的干扰,将短时客流数据分解为多个IMF和一个残差.利用SSA算法优化LSTM网络的隐含层神经元个数,学习率以及迭代次数.利用优化后的LSTM模型对各个IMF进行预测,由各IMF的预测结果求和得到最终的预测值.利用杭州市客流量最大的...
基于EMD-LSTM神经网络的交通流量预测模型 交易策略是交易者在交易活动中为避免风险,根据一系列规则和数据进行预测,整合,计算,进而进行资金管理,风险控制,以获取最理想收益而综合采取的策略.文章使用基于时间序... 曾阳艳,苏雅,张琪慧 - 《湖南商学院学报》 被引量: 0发表: 2021年 ...
10.(3)将emd分解输出的交通流时间特征作为lstm神经网络输入,进一步提取道路交通流数据中时间特征; 11.(4)使用时空特征数据实现道路交通流预测:将道路交通流时间特征作为lstm回归预测层输入,计算当前输入对应的预测结果,以上部分为生成网络部分,再将预测结果作为生成值和真实值一起送入gan网络的判别网络;定义模型损失函数...
为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加和重构为最终径流预测结...
MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络)。经验模态分解( empirical mode decomposition,EMD)是一种新的处理非平稳信号的方法——希尔伯特——黄变换的重要组成部分。EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上,具有非常明显的优势,适合于分析非线性...
基于EMD-GRU循环神经网络的转向交通流量组合预测 交通流量是交通管理中最为核心的控制参数.对于一些偏远的路口或者检测器设备损坏的路口,无法通过检测器来获得准确的交通流量信息从而无法对路口进行最优的动态交通管... 王志建,张炜健,刘士杰 被引量: 0发表: 0年 基于CEEMD-GRU模型的短期电力负荷预测方法 针对电力负...
基于EMD-CNN-LSTM混合模型的短期电力负荷预测