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
Issue number142
DOIs
Publication statusPublished - 2011

Cite this

@article{62749548026c424bb8ca6975b4763b84,
title = "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",
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。",
keywords = "預測模型, 遞迴式赫米特類神經網路, 經驗模態分解法, 內建模態函數, 短時交通流量預測, Prediction Model, Recurrent Hermite Neural Network, RHNN, Empirical Mode Decomposition, EMD, Intrinsic Mode Function, IMF, Short-Term Traffic Flow Prediction",
author = "陳, {瑄易(Syuan-Yi Chen)}",
year = "2011",
doi = "10.29917/CCLTJ.201112.0014",
language = "Chinese",
pages = "98--105",
journal = "電腦與通訊",
issn = "1019-391x",
publisher = "工業技術研究院電腦與通訊工業研究所",
number = "142",

}

TY - JOUR

T1 - 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

AU - 陳, 瑄易(Syuan-Yi Chen)

PY - 2011

Y1 - 2011

N2 - 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。

AB - 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。

KW - 預測模型

KW - 遞迴式赫米特類神經網路

KW - 經驗模態分解法

KW - 內建模態函數

KW - 短時交通流量預測

KW - Prediction Model

KW - Recurrent Hermite Neural Network

KW - RHNN

KW - Empirical Mode Decomposition

KW - EMD

KW - Intrinsic Mode Function

KW - IMF

KW - Short-Term Traffic Flow Prediction

U2 - 10.29917/CCLTJ.201112.0014

DO - 10.29917/CCLTJ.201112.0014

M3 - 文章

SP - 98

EP - 105

JO - 電腦與通訊

JF - 電腦與通訊

SN - 1019-391x

IS - 142

ER -