【技术实现步骤摘要】
本专利技术属于交通，具体涉及基于ceeemdan-svr-sma的短时交通流预测方法及系统。
技术介绍
1、短时交通流量预测是交通管理和规划中的关键问题，它有助于实现交通拥堵的减轻、资源的有效利用以及交通系统的优化运营。其核心思想是基于历史数据，通过特定的分析回归模型、神经网络等实现对未来短时交通数据的准确预测。
2、目前短时交通流预测方法按照技术方法可以分为传统方法和机器学习方法。传统方法包括时间序列分析、回归分析和统计模型等。传统学习方法通常难以处理复杂的非线性关系和非平稳数据，因此在应对现代交通系统中的多样性和变化性方面存在局限性。而机器学习方法如支持向量回归(svr)、循环神经网络(rnn)、长短时记忆网络(lstm)、门控循环单元(gru)和时空卷积网络(tcn)，通过更灵活的模式识别和机器学习技术，具备更强大的建模能力。为了进一步提升预测的准确度，一些研究人员还提出了cnn-lstm融合模型，之后越来越多融合模型提出，虽然预测的精度较好，但导致了网络的参数数量显著膨胀。这些额外的参数引入对性能的轻微改善，相较于增...
【技术保护点】
1.基于CEEEMDAN-SVR-SMA的短时交通流预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于CEEEMDAN-SVR-SMA的短时交通流预测方法，其特征在于，步骤S2中，所述高频分量包含数据的细节部分；所述低频分量包含数据的趋势部分。
3.根据权利要求1所述的基于CEEEMDAN-SVR-SMA的短时交通流预测方法，其特征在于，步骤S2中，所述将预处理好的数据进行CEEMDAN分解，得到内在模态函数(IMF)，具体包括如下步骤；
4.根据权利要求3所述的基于CEEEMDAN-SVR-SMA的短时交通流预测方...
【技术特征摘要】
1.基于ceeemdan-svr-sma的短时交通流预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于ceeemdan-svr-sma的短时交通流预测方法，其特征在于，步骤s2中，所述高频分量包含数据的细节部分；所述低频分量包含数据的趋势部分。
3.根据权利要求1所述的基于ceeemdan-svr-sma的短时交通流预测方法，其特征在于，步骤s2中，所述将预处理好的数据进行ceemdan分解，得到内在模态函数(imf)，具体包括如下步骤；
4.根据权利要求3所述的基于ceeemdan-svr-sma的短时交通流预测方法，其特征在于，步骤s4中，构建svr预测模型，包括以下步骤：
5.根据权利要求4...
【专利技术属性】
技术研发人员：项新建，袁天顺，郑永平，陈玺兆，肖家乐，王世乾，林贤鑫，
申请(专利权)人：浙江科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。