自适应VMD-Attention-BiLSTM：提升短时交通流预测精度与速度

本文主要探讨了"基于自适应VMD-Attention-BiLSTM的交通流组合预测模型"，由作者殷礼胜等人提出。针对交通流量序列在短时内的非平稳性和随机性特点，研究者旨在提高预测精度和收敛速度。论文的核心创新在于： 1. **自适应变分模态分解 (Adaptive Variational Mode Decomposition, VMD)**: 作者运用自适应VMD技术，这是一种先进的信号处理方法，能够将复杂的时空交通流量序列分解为一系列具有有限带宽的模态分量。这种方法可以精细化交通流信息，减少非平稳性对模型的影响，从而提高预测的准确性。 2. **注意力机制与双向长短时记忆网络 (Attention-BiLSTM)**: 结合了注意力机制的双向长短时记忆网络被用来挖掘分解后交通流量序列中的时空相关性。注意力机制允许模型动态关注序列中的关键部分，揭示流量随时间和空间变化的规律，进一步增强模型的预测能力。 3. **优化策略**：为了加速预测网络的训练过程，文章采用改进的Adam优化算法，对网络权值进行优化，提升了模型的收敛速度。 4. **预测性能比较**: 实验结果显示，使用自适应VMD分解的模型相比于未使用此方法的模型，预测性能显著提高。此外，自适应VMD-Attention-BiLSTM模型相较于EEMD-Attention-BiLSTM模型，其均方根误差下降了47.1%，这证实了所提模型在提升预测精度方面的优势。 5. **关键词**：文章的关键词包括短时交通流预测、自适应变分模态分解、双向长短时记忆网络以及注意力机制，这些关键词体现了研究的主要关注点和核心技术。 本文提出了一种创新的交通流预测模型，通过自适应VMD和注意力机制结合BiLSTM，有效处理了交通流量序列的复杂特性，提高了预测准确性和收敛速度，对于实际交通管理和智能交通系统具有重要意义。