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 |
| |
引用本文: | 刘清梅,万明,严利鑫,郭军华.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[J].交通信息与安全,2023(5):12-23. |
| |
作者姓名: | 刘清梅 万明 严利鑫 郭军华 |
| |
作者单位: | 1. 华东交通大学交通运输工程学院;2. 南昌交通学院交通运输学院 |
| |
基金项目: | 国家自然科学基金项目(52162049); |
| |
摘 要: | 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ermse分别降低了8.7%、48.3%、53.1%、57.6%,误差em...
|
关 键 词: | 交通安全 事故预测 长短时记忆神经网络 粒子群算法 集合经验模态分解 |
|
|