发明名称 |
非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
摘要 |
一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法,涉及交通信息技术领域,结合经验模态分解EMD这种处理数据序列的方法,首先将非常态事件下非平稳的交通参数数据序列分解成平稳的、多尺度特征的本征模态函数分量IMF,然后基于EMD滤波特性构造滤波器组,将IMF分量重组为高、中和低频滤波三类,再根据每组IMF的不同特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均模型进行预测,然后将各部分结果累加生成下一时段交通参数的实时预测结果,最后根据实时的交通参数预测数据和非常态下历史数据进行多步预测,得到交通参数最终的预测结果及未来发展趋势。本发明对于非常态事件下的交通参数以及未来变化趋势具有更好的预测能力。 |
申请公布号 |
CN102568205A |
申请公布日期 |
2012.07.11 |
申请号 |
CN201210005335.3 |
申请日期 |
2012.01.10 |
申请人 |
吉林大学 |
发明人 |
杨兆升;于德新;林赐云;郑黎黎;龚勃文;杨庆芳;杨楠;孟娟;王薇;高学英 |
分类号 |
G08G1/01(2006.01)I |
主分类号 |
G08G1/01(2006.01)I |
代理机构 |
长春众益专利商标事务所(普通合伙) 22211 |
代理人 |
赵正 |
主权项 |
一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法,其特征在于,包括以下步骤:(1)经验模态本征分解:将已经预处理的交通参数时间序列用EMD算法分解,得出n个IMF分量和一个趋势分量,其中n为大于1的自然数;(2)IMF分量重组分类:基于EMD滤波特性构造滤波器组,分解后的IMF分量呈现由高频向低频的筛选过程,将IMF分量分成高频滤波、中频滤波和低频滤波三部分;(3)分类预测:针对高频、中频、低频三类不同频率滤波的特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均进行预测;(4)结果累加:将步骤(3)所述的三部分结果累加得到下一时段实时的交通参数预测结果。(5)多步预测:对步骤(4)所述的累加结果和非常态事件下历史数据库中的相似的时间序列分配权重,得到最终的交通参数预测结果和交通参数的未来发展趋势。 |
地址 |
130022 吉林省长春市人民大街5988号吉林大学南岭校区交通馆715 |