基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段，由于事故数据经常呈现非线性、波动性、无周期性等特征，现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上，引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理，利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项；基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数，并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测，对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型，EEMD-PSO-LSTM的预测效果最好，其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%，误差e_m...