冥函数变换提升短时交通流预测精度：LS-SVM与ARIMA的协同组合

本篇论文研究主要关注于短时交通流的组合预测，特别是在实际交通流这一复杂非线性时间序列中，噪声的存在对其预测准确性产生了负面影响。论文提出了一种创新的方法，即利用冥函数变换来处理原始数据。冥函数变换是一种非线性数据处理技术，它能够有效地压缩噪声，降低其对预测结果的干扰，提高信噪比，使得异常数据对预测的影响减小。 在预处理阶段，通过对交通流量数据进行冥函数变换，研究人员试图减少噪声对模型训练和预测的负面影响，确保模型基于更纯净的数据进行工作。这种方法有助于提高预测模型的稳健性和精度。之后，论文探讨了如何将不同预测模型有效结合，采用了最小二乘支持向量机（LS-SVM）作为组合策略的一部分。LS-SVM被用来对自回归求和滑动平均（ARIMA）模型的预测结果进行循环补偿，这是因为LS-SVM可以捕捉到ARIMA模型可能遗漏的复杂模式和非线性关系。 ARIMA模型本身是一种常用的时间序列分析工具，它能识别预测对象中的趋势、季节性和随机成分。然而，单个ARIMA模型可能无法完全消除噪声和异常值的影响。因此，通过与LS-SVM的协同作用，组合预测模型能够在保留ARIMA模型的优点的同时，弥补其在处理噪声方面的不足。 论文的研究成果体现在通过冥函数变换和组合预测策略，提高了短时交通流预测的精度，并且验证了这种方法在实际应用中的有效性。这种结合统计方法（如ARIMA）和人工智能方法（如LS-SVM）的策略对于提升交通管理系统的性能具有重要意义，为智能运输系统的发展提供了新的思路和技术支持。整个研究过程强调了在交通流预测中噪声管理和模型融合的重要性，对于提高交通流量的实时性和可靠性具有积极的推动作用。