An Improved CEEMDAN-FE-TCN Model for Highway Traffic Flow Prediction
Notice bibliographique
Résumé
With the advent of the data-driven era, deep learning approaches have been gradually introduced to short-term traffic flow prediction, which plays a vital role in the Intelligent Transportation System (ITS). A hybrid predicting model based on deep learning is proposed in this paper, including three steps. Firstly, an improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) method is applied to decompose the nonlinear time series of highway traffic flow to obtain the intrinsic mode function (IMF). The fuzzy entropy (FE) is then calculated to recombine subsequences, highlighting traffic flow dynamics in different frequencies and improving prediction efficiency. Finally, the Temporal Convolutional Network (TCN) is adopted to predict the recombined subsequences, and the final prediction result is reconstructed. Two sensors of US101-S on the main road and on-ramp were selected to measure the prediction effect. The results show that the prediction error of the proposed model on two sensors is notably decreased on single-step and multistep prediction, compared with the original TCN model. Furthermore, the proposed improved CEEMDAN-FE-X framework can be combined with prevailing prediction methods to increase the prediction accuracy, among which the improved CEEMDAN-FE-TCN model has the best performance and strong robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».