EEMD+BiGRU组合模...在短时交通流量预测中的应用_张玺君.pdf

第 45 卷 第 2 期国防科技大学学报Vol 45 No 22023 年 4 月JOUNAL OF NATIONAL UNIVESITY OF DEFENSE TECHNOLOGYApr 2023doi:10 11887/j cn 202302008http:/journal nudt edu cnEEMD+BiGU 组合模型在短时交通流量预测中的应用*张玺君，郝俊(兰州理工大学 计算机与通信学院，甘肃 兰州730050)摘要:针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题，提出一种基于集合经验模态分解(ensemble empirical mode decomposition，EEMD)和双向门控循环单元(bidirectional gatedrecurrent unit，BiGU)的组合交通流量预测模型，有效地提升了短时交通流预测的精度。模型利用 EEMD 算法对原始数据进行分解，根据分解所得的本征模函数(intrinsic mode function，IMF)分量绘制噪声能量图谱，去除分量中的噪声，并将去噪后的 IMF 分量作为 BiGU 网络的输入进行训练，再将训练所得的结果进行重构加和，得到最终的预测结果。实验结果表明，未舍弃含有噪声的 IMF 分量进行重构的预测结果，相比于参考文献中提出的 EMD+LSTM 模型、LSTM 模型和 EEMD+LSTM 模型，其平均绝对百分误差分别优化了 42.36%、61.82%和30.95%;舍弃含有噪声的 IMF 分量后进行重构的预测结果，其平均绝对百分误差相比于将全部 IMF听语音聊科研与作者互动分量进行重构优化了 56.62%。关键词:智能交通;交通时序数据;集合经验模态分解;双向门控循环单元;交通流预测中图分类号:U491文献标志码:A开放科学(资源服务)标识码(OSID):文章编号:1001 2486(2023)02 073 08Application of EEMD+BiGU combination model in short termtraffic flow predictionZHANG Xijun，HAO Jun(School of Computer and Communication，Lanzhou University of Technology，Lanzhou 730050，China)Abstract:Aiming at the problems of high random fluctuation of urban traffic flow and high noise in data，which leads to the decline ofprediction accuracy，a combined traffic flow prediction model based on EEMD(ensemble empirical mode decomposition)and BiGU(bidirectional gated recurrent unit)was proposed，which can effectively improve the accuracy of short-term traffic flow prediction EEMD algorithmwas used to decompose the original data，and the noise energy map was drawn according to the IMF(intrinsic mode function)component to removethe noise in the component The denoised IMF components were trained as the input of BiGU network And the results of training werereconstructed and added to obtain the final prediction result The experimental results show that，compared with the EMD+LSTM model，LSTMmodel and EEMD+LSTM model proposed in references，the mean absolute percentage errors are improved by 42 36%，61 82%and 30 95%when the IMF components containing noise are not abandoned during reconstruction;after abandoning the IMF component containing noise，themean absolute percentage error is improved by 56 62%compared with the reconstruction of all IMF componentsKeywords:intelligent traffic;traffic time series data;ensemble empirical mode decomposition;bidirectional gated recurrent unit;traffic flowprediction短时交通流量预测是智能交通系统(intelligenttraffic system，ITS)的一个重要内容，使用深度学习技术对城市路网的短时交通流预测进行研究具有重要的意义，主要表现在以下几个方面:1)短时交通流量预测反映了未来一段时间内的交通流量变化趋势，交通管理部门可根据预测情况及时调整路口红绿灯时长，并合理分配人力对不同拥堵地段进行交通诱导;2)短时交通流量预测可以为交通参与者推荐最佳线路，出行者也可以根据未来一段时间的交通流量预测情况及时调整出行计划，避免因交通拥堵耽误行程;3)能够极大地提高城市交通的智能化以及人们的出行效率。*收稿日期:2021 04 22基金项目:国家自然科学基金资助项目(62162040，61966023);甘肃省高等学校创新基金资助项目(2021A 028);甘肃省科技计划资助项目(21ZD4GA028)作者简介:张玺君(1980)，男，甘肃临洮人，副教授，博士，硕士生导师，E-mail:zhangxijun198079 sina com国 防 科 技 大 学 学 报第 45 卷李磊等1使用卷积神经网络(convolutionalneural networks，CNN)提取交通流数据的空间特征，再使用长短期记忆网络(long short-termmemory，LSTM)提取数据的时间依赖特征，达到对交通流进行预测的目的。姚思佳等2提出了一种优化的误差反馈循环卷积神经网络模型，该模型在预测精度、构建效率及鲁棒性上均得到有效提高。王博文等3提出一种基于编码器 解码器(encoder-decoder，ED)框架的 LSTM模型，能够有效地对交通流序列的多步及单因素、多因素进行预测。张维等4提出了一种基于 多 元 因 素 的 双 向 长 短 期 记 忆 网 络(bidirectional long short-term memory，Bi-LSTM)高速公路交通流预测模型，该模型在高速公路短期交通流预测中的适用性更强、精确度更高。王庆荣等5将天气、节假日等外部因素融入模型中，使用 LSTM 网络与注意力机制进行预测。谷振宇等6建立了一种基于图卷积控循环单元(graph convolutional recurrent neural network，GCNN)的交通流预测模型，取得了较好的预测结果。此外，由于交通流时间序列具有非线性、非平稳性的特点，若不对原始交通数据进行数据预处理，则会对预测精度产生较大的影响。戴邵武等7 使用经验模态分解(empiricalmode decomposition，EMD)算法对数据进行预处理，在此基础上使用了 LSTM 搭建预测模型。王志建等8 在使用 EMD 对数据进行预处理的基础上，引入门控循环单元(gate recurrent unit，GU)对模型进行训练。连义平9 使用 EMD 算法对数据进行分解，并通过最小二乘支持向量机(leastsquares support vector machine，LSSVM)训练组合模型。Mei 等10 采用了 EMD 算法对数据进行预处理，将遗传算法的交叉和变异因素引进粒子群算法来选择 SVM 的最优参数，从而得到了最优的模型。文献 7 10 中采用的 EMD 方法，虽然能够对数据进行一定的去噪，但是会出现模态混叠的问题，即不能将高频分量与低频分量完全分离，使分解所得的结果失去具体的物理意义。因此，本文采用集合经验模态分解(ensemble empiricalmode decomposition，EEMD)对数据进行预处理，并对处理所得的分量进行能量分析，剔除数据中的噪声;文献 1，3，5 中采用的 LSTM 网络是解决时间序列预测问题的经典方法，但由于交通流数据具有时间相关性，为考虑前后车流量对交通流的影响，同时为加快实验进程，采用 BiGU 来提取时间特征。1集合经验模态分解EEMD11 是对 EMD 的一种改进。EMD12 可以对非平稳、非线性的时间序列进行平稳化处理，并且不需要预先设置任何参数，将时间序列 T(t)输入后便可分解为 N 个本征模函数(intrinsicmode function，IMF)分 量 In(t)和 残 余 分 量(t)，即T(t)=Nn=1In(t)+(t)(1)式中:In(t)为时间序列 T(t)的第 n 个 IMF 分量，n=1，2，N;N 为所有 IMF 分量的数目;t 是该序列的时间尺度。一般情况下，IMF 分量要满足两个条件13:1)IMF 分量的极大值点与极小值点的总数与该分量过零点的个数相同或者相差不超过一个;2)在任意的时刻，IMF 分量的局部上、下包络线平均值为 0。EEMD 算法13通过在原始序列中添加白噪声，将其进行多次平均后，白噪声可以相互抵消，此时极值点可近似看作是均匀分布的，由此，消除了模态混叠的问题。EEMD 的分解过程如下:步骤 1:向原始时间序列 T(t)添加白噪声W1(t)，得到一个新的时间序列 P(t)。P(t)=T(t)+W1(t)(2)步骤2:找出时间序列 P(t)的局部极大值点、极小值点，并绘制上、下包络线，求得平均值曲线V1(t)，从时间序列 P(t)中去除 V1(t)，得到第一个分量 H1(t)。H1(t)=P(t)V1(t)(3)步骤 3:判断 H1(t)是否满足 IMF 分量条件。若满足，则向原时间序列 T(t)添加不同的噪声序列 Wi(t)(i=1，2，N)，重复步骤 1 2，获得 N个 IMF 分量记为 Hi(t)(i=1，2，N);若不满足，则重复步骤 2。步骤 4:为了消除多次添加的白噪声信号对实际 IMF 分量的影响，将上述得到的 N 个 Hi(t)(i=1，2，N)进行整体的平均运算，则得到第一个 IMF 分量，记为?I1(t)。?I1(t)=1NNi=1Hi(t)(4)步骤 5:将?I1(t)从原始时间序列 T(t)中分离出来，得到第一个残差序列?1(t)。47第 2 期张玺君，等:EEMD+BiGU 组合模型在短时交通流量预测中的应用?1(t)=T(t)?I1(t)(5)步骤 6:设?1(t)为时间序列 T(t)，反复进行步骤 1 5 共 N 次，直到算法对剩余分量无法建模为止。2双向门控循环单元GU14 是较 LSTM 结构更加简单的一种神经网络。传统的 LSTM 通过三个门结构 输入门、遗忘门、输出门来控制输出，而 GU 网络只有两个门 更新门U(t)、