摘要:
对扇区流量进行短期预测，是精准实施扇区流量优化和管理措施的前提。基于分解集成预测方法论，建立了变分模态分解-最小二乘支持向量机（Vibrational mode decomposition-least square support vector machines，VMD-LSSVM）预测模型。首先，应用变分模态分解（Vibrational mode decomposition，VMD）方法将扇区流量时序数据分解为若干个模态；然后，使用最小二乘支持向量机（Least square support vector machines，LSSVM）模型分别对模态进行预测；接着，对模态的预测结果进行加和集成，得到了最终的预测值。算例计算结果显示，针对60 min统计尺度流量时间序列，VMD-LSSVM模型在1~6 h的均等系数（Equal coefficient， EC）值为0.97，在7~12 h的EC值为0.94；与差分自回归滑动平均模型（Autoregressive integrated moving average model，ARIMA），反向传播（Back propagation，BP）神经网络和LSSVM单一模型相比，VMD-LSSVM模型1~6 h的EC值分别提升了11.5%、7.8%、4.3%；与完整聚合经验模态分解（Compete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）-LSSVM、CEEMDAN-BP和VMD-BP相比，提升了2.1%、6.6%、5.4%；与30 min和15 min统计尺度相比，的EC值分别提升了6.6%和19.8%；针对时间普适性的8次实验，EC值均在0.94以上，针对27个扇区普适性的实验，有24个扇区的EC值在0.9以上。算例结果表明，VMD-LSSVM模型具备良好的预测性能和较好的普适性，用于扇区流量短期预测是可行的和有效的。