经验模态分解EMD经验模态分解是一种基于信号局部特征的信号分解方法。是一种自适应的信号分解方法任何复杂的信号都是由简单的固有模态函数(intrinsic mode function，IMF)组成，且每一个IMF 都是相互独立的。该方法可以将风速数据时间序列中真实存在的不同尺度或趋势分量逐级分解出来，产生一系列具有相同特征尺度的数据序列，分解后的序列与风速原始数据序列相比具有更强的规律性。的基本思想认为任何复杂的信号都是由一些相互不同的、简单非正弦函数的分量信号组成。EMD将非平稳序列分解为数目不多的IMF 分量c和一个趋势项r（残余函数），r是原序列经过逐级分离出IMF 分量后，最终剩下来的“分量”，是单调的和光滑的。信号的EMD 分解本质上是通过求包络线对信号不断进行移动平均的迭代过程，包络线的不准确将导致信号分解的不完全。传统算法在求包络线时在信号端点处易产生飞翼现象, 即在端点处会产生过大或过小振幅, 若不先对信号进行端点延拓, EMD 分解将无法继续。确定信号决定了交通流变化的总体趋势，不确定性干扰信号使实际交通流变化在趋势线附近呈现大小不一的波动
