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

Research output: Contribution to journalArticle

Abstract

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。
Original languageChinese
Pages (from-to)98-105
Number of pages8
Journal電腦與通訊
Volume68
Issue number142
DOIs
Publication statusPublished - 2011

Cite this