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 | 繁體中文 |
---|---|
頁(從 - 到) | 98-105 |
頁數 | 8 |
期刊 | 電腦與通訊 |
卷 | 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