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

研究成果: 雜誌貢獻文章同行評審

摘要

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。
原文???core.languages.zh_TW???
頁(從 - 到)98-105
頁數8
期刊電腦與通訊
68
發行號142
DOIs
出版狀態已發佈 - 2011

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

引用此