基於經驗模態分解法之遞迴式赫米特類神經網路預測模型－以短時交通流量預測為例

近年來，預測模型（Prediction Model）被廣泛且成功地應用在各種領域之中，藉由建立與使用系統之預測模型，可預先掌握系統之未來趨勢。而隨著建模對象越趨複雜，傳統以類神經網路（NeuralNetwork；NN）建立之預測模型其預測準確度已無法令人滿意。有鑑於此，本研究提出一新的基於經驗模態分解法之遞迴式赫米特類神經網路（Empirical Mode　Decomposition based Recurrent Hermite Neural Network；ERHNN）預測模型，該模型整合了Hermite多項式之非線性訊號近似、EMD之非線性訊號分析與過濾、RNN之非線性系統建模與學習能力，對於非線性與非穩態訊號有優異之建模與預測效果。本研究以美國加州高速高路I-80W所記錄之短時交通流量進行預測驗證，最後經模擬證實，相較於NN預測模型，本研究所提出之ERHNN預測模型確實具有更佳之預測準確度。