基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
针对短时交通流数据的非线性和随机性特点,为提高其预测精度,提出了一种基于自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)和复合多尺度模糊熵(Composite Multiscale Fuzzy Entropy,CMFE)的短时交通流数据特征信息提取方法.首先利用ASNBD将短时交通流数据分解成若干个内禀窄带分量,分别求出每个分量的CMFE.根据CMFE反映的不同分量的非线性程度选取有效分量,从而提取数据的非线性特征.然后根据非线性分析的结果分别对每个分量建立支持向量机网络模型,针对每个分量的自身特点选择不同的模型训练参数,以提高单个模型预测精度.最后将各个预测值进行累加并得出预测结果.实验结果表明,该方法能有效应用于短时交通流数据特征信息的提取,进而提高预测精度.
推荐文章
基于深度学习的短时交通流预测
交通流预测
深度学习
短时交通流
支持向量回归
基于核学习方法的短时交通流量预测
核学习方法
短时交通流
预测
基于模糊神经网络的短时交通流预测方法研究
模糊神经网络
短时交通流
预测方法
短时交通流预测方法研究
相关分析
支持向量机
交通流预测
智能交通
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于ASNBD-CMFE特征信息提取的短时交通流预测
来源期刊 北京交通大学学报 学科
关键词 智能交通 自适应最稀疏窄带分解 复合多尺度模糊熵 最小二乘支持向量机 短时交通流
年,卷(期) 2021,(2) 所属期刊栏目 交通运输工程与控制|Traffic Information Engineering and Control
研究方向 页码范围 28-35
页数 8页 分类号 U268.6
字数 语种 中文
DOI 10.11860/j.issn.1673-0291.20200082
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (74)
共引文献  (9)
参考文献  (14)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1989(2)
  • 参考文献(0)
  • 二级参考文献(2)
1990(1)
  • 参考文献(0)
  • 二级参考文献(1)
1994(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(5)
  • 参考文献(0)
  • 二级参考文献(5)
2008(7)
  • 参考文献(0)
  • 二级参考文献(7)
2009(5)
  • 参考文献(0)
  • 二级参考文献(5)
2010(5)
  • 参考文献(1)
  • 二级参考文献(4)
2011(1)
  • 参考文献(0)
  • 二级参考文献(1)
2012(5)
  • 参考文献(0)
  • 二级参考文献(5)
2013(7)
  • 参考文献(1)
  • 二级参考文献(6)
2014(8)
  • 参考文献(1)
  • 二级参考文献(7)
2015(6)
  • 参考文献(2)
  • 二级参考文献(4)
2016(9)
  • 参考文献(4)
  • 二级参考文献(5)
2017(7)
  • 参考文献(3)
  • 二级参考文献(4)
2018(6)
  • 参考文献(0)
  • 二级参考文献(6)
2019(5)
  • 参考文献(2)
  • 二级参考文献(3)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
智能交通
自适应最稀疏窄带分解
复合多尺度模糊熵
最小二乘支持向量机
短时交通流
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
北京交通大学学报
双月刊
1673-0291
11-5258/U
大16开
北京西直门外上园村3号
1975
chi
出版文献量(篇)
3626
总下载数(次)
7
总被引数(次)
38401
论文1v1指导