基于分解的深度集成学习在交通流预测中的实验研究

交通流预测是智能交通系统中的一项关键任务。深度学习提供了一种有效的解决方案，能够捕捉时间序列交通流数据中的复杂模式，从而实现准确预测。然而，深度学习模型容易过度拟合流量数据的复杂细节，导致泛化能力差。最近的研究表明，基于分解的深度集成学习方法可能通过将时间序列分解为多个更简单的信号来解决这个问题，在这些信号上构建深度学习模型并进行集成以生成最终预测。然而，很少有研究比较基于分解的集成方法与直接使用原始时间序列数据的非基于分解的方法的性能。本工作比较了几种基于分解和非基于分解的深度集成学习方法。在三个交通数据集上的实验结果证明了基于分解的集成方法的优越性，同时也揭示了它们对聚合策略和预测时长的敏感性。