摘要： 针对短时交通流非线性的特点以及 ＢＰ神经网络（ＢＰＮＮ）在进行短时交通流预测 时易陷入局部极小值的缺点，提出一种基于经验模态分解（ＥＭＤ）和差分进化算法优化 ＢＰ神经 网络（ＤＥＢＰＮＮ）的短时交通流预测方法。利用 ＥＭＤ算法将交通时序数据中不同模态的分量 逐级分解出来，生成一系列不同尺度的本征模态函数（ＩＭＦ）和残余量，去除一定噪声影响；借助 ＤＥＢＰＮＮ算法进行短时交通流预测，并采用美国加利福尼亚州高速公路交通流数据，对该方法 进行验证和预测精度测试。实验结果表明：采用 ＥＭＤ分解后的交通流预测结果更为精确，相比 其他预测方法，其预测结果的 ＭＡＥ值分别提升了 ５０．０７％、４９．３６％、１８．６８％；ＭＳＥ值分别提升 了 ５２．４６％、４７．８４％、１２．３７％；ＭＡＰＥ值分别提升了 ５２．１１％、５１．０８％、３５．０９％；ＭＳＰＥ值分别 提升了 ５６．３６％、５２．５９％、４３．５３％。

关键词: 短时交通流预测, 经验模态分解算法, ＢＰ神经网络, 差分进化算法

中图分类号: 

• U491.14