多层神经网络的有效训练算法

提出了基于整体模式的多层神经网络的有效训练算法，给出了偏导矩阵的递算法，由此导出多层神经网络的并行训练算法，本文提出的训练算法进行模型参数估计，其领导具结果表明，该算法不仅减少训练周期，而且还可提高模型参数的估计精度。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析，论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义，提出了一种可作为非线性时序模型的内反馈神经网络。     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法.根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3种深度学习方法所得输出,得到交通流参数估计值.采用中国安徽省合肥市和美国加州...     

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源，需实时估计交通流参数。若要准确估计交通流参数，应详细考虑道路网交通流时空特征。本文基于生成对抗网络，提出一种能捕捉交通流时空特征的实时估计模型，即TSTGAN模型。该模型包括生成器和判别器两部分，生成器利用门控卷积神经网络 捕捉交通流的动态空间特征，使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征；采用门控卷积神经网络与长短期记忆神经网络构建判别器；通过对抗方式训练生成对抗网络的生成器与判别器，实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据，验证TSTGAN模型的可靠性。结果表 明，TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%，证明所提TSTGAN模型可以提高交通 流参数的估计精度。     

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合，而LS—EM算法则可解决这一模型的参数估计问题．描述了混合高斯自回归模型及其参数估计问题之后，导出了具体的LS-EM算法，并给出了一组仿真实例．这是一种参数耦合估计算法，首先基于传统的最小二乘技术得到功率谱密度参数粗估计，进行预白，然后应用EM迭代得到白激励的概率密度估计，并基于此构建一加权函数，以此权函数改进最小二乘算法，进而得到模型参数的精估计．     

数据挖掘技术在固定型交通检测器配置优化中的应用

结合固定型交通检测器空间配置的四条原则和配置密度优化步骤，提出固定型交通检测器配置优化的数据挖掘方法。设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对像，运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型，ARIMA预测模型及神经网络预测模型。采用网络搜索技术确定Winters模型参数，设计一种比传统ARIMA模型参数估计方法更精确的算法程序估计ARIMA模型参数，采用三项误差指标评价模型预测效果，根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案，研究结果表明：在保证满足ITS对交通参数精度要求的同时，通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本，为固定型交通检测器配置密度的优化提供了一种简单可行的新方法。     

LOGITģ�Ͳ������Ʒ����о�

离散选择模型，特别是LOGIT模型在交通需求模型建立过程中，应用非常广泛，许多实际的交通政策问题都涉及到方式选择，然而LOGIT模型的建立非常困难，尤其是效用函数及参数估计.本文重点就LOGIT模型参数估计的有关问题进行讨论，特别是运用统计方法如何对效用函数的变量进行选取及比较不同形式效用函数.     

考虑噪声影响的短时交通流预测模型及验证

为进一步提高交通流预测的精确性，相较于忽略噪声影响的传统预测方法，提出一种基于小波变换的双向长短时记忆神经网络-自回归滑动平均模型的预测模型(WBLA)。WBLA模型首先采用小波变换，将交通流数据分解为特征项及噪声项，在此基础上，对特征项采用双向长短时记忆神经网络(BiLSTM)进行预测，对噪声项采用自回归滑动平均模型(ARMA)进行预测，最后对两项预测结果求和作为最终的预测结果。将未考虑噪声影响的其它基准方法作为对比模型，在美国加州高速公路交通流数据集上进行测试及验证，实验结果表明：WBLA模型同未考虑噪声影响的次好模型相比，MAE、RMSE和MAPE分别下降17.86%、15.98%、16.39%,表明WBLA模型符合实际交通流速度变化趋势，模型合理性得到验证。     

基于循环多层神经网络的联想顾存贮器

提出一种基于循环多层神经网络的联想存贮器模型，它同时具备Ｈｏｐｆｉｅｌｄ联想存贮器神经网络以及多层前向神经网络的特性，可以用于构造自相联存贮器和模式识别。作为联想存贮器，其存贮记忆能力强于Ｈｏｐｆｉｅｌｄ网络。还证明Ｈｏｐｆｉｅｌｄ网络仅仅是基于循环多层神经网络的联想存贮器的一种特例。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

自组织人工神经网络在民航旅客盈利能力细分中的应用

目前采用的基于里程的旅客划分方法不能清晰区分旅客价值，应用Kohonen T自组织特征映射的人工神经网络模型将反映旅客盈利能力的多维行为特征属性数据以有序的方式映射到对旅客盈利性判别等级的低维空间，形成对旅客正确识别的一种拓扑意义的有序图。试验结果表明，此模型对客户细分识别成功率较高，准确率可达90．8％。     

Logistic曲线模型和Gompertz曲线模型的修正

本文提出Ｌｏｇｉｓｔｉｃ及Ｇｏｍｐｅｒｔｚ曲线的修正模型，给出相应的参数估计方法。解释该模型在经济学中的实际意义。修正后的模型可得出高于原曲线模型的预测精度。     

基于模糊神经网络的交通信号控制

本提出一种将模糊控制与人工神经网络和结合的自组织学习方法对交通信号进行实时控制。该方法以模糊神经网络为核心，应用在线滚动学习模型生成交通信号配时方案。这种方法克服了现有控制方法需要大量的数据传输，准确的数学模型等缺陷。中应用微观交通仿真系统对模型进行了校验，仿真结果表明该方法有效。     

测量误差二次多项式回归模型的参数估计

本文在Fuller.W.A等人做出的测量误差一元线性回归模型及一元p维向量线性回归模型的参数估计基础上,讨论了测量误差二次多项式回归模型的参数估计。利用测量误差多项式回归模型样本（Yt,Xt）,t=1,2,…,n,通过统计方法求出样本所包含的统计信息,得出了测量误差二次多项式回归模型的参数估计。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于发动机模型的神经网络点火控制器

针对YN30QNE发动机,根据发动机平均值原理,建立了发动机平均值模型。在均值模型的基础上,建立了外负荷控制器模型,根据发动机的准维燃烧模型建立了发动机的点火提前角控制模型,并制取了点火提前角的初始MAP图。根据模型测得的试验数据利用神经网络自学习的能力,采用BP神经网络的改进LM优化控制方法,对点火提前角进行训练,神经网络根据训练过后得到的权值和阀值,达到发动机点火控制的目的。最后,搭建神经网络点火系统的Simulink对其进行仿真验证。     

基于简化摄像机自定标模型下的三维重建方法

提出一种基于简化摄像机自定标模型下的三维重建方法，在假定摄像机主点位置已知的条件下，采用射影几何中的Kruppa方程计算内部参数的初始值，并利用未定标图像之间的对极几何关系得出一个关于内部参数的非线性最优化方程，进而求出运动参数，从而实现未定标系统下的三维重建，实验证明本方法在很大程度上减小了运算量，并可以得出较为鲁棒的参数估计，提高了三维重建的精度。     

车头时距分布模型研究

车头时距分布及其计算机模拟实现对于交通流模拟系统的仿真能力具有决定性的意义。本文讨论了常见的车头时距分布模型，并给出了模型参数估计方法，在此基础上对不同模型的选择问题进行了探讨。     

自适应观测器在车刀磨损估计的应用

本文给出一种以新型模型为基础的车刀磨损估计方法，该方法应用自适应观测中的器，根据切削力测量，状态与参数估计技术在线技术车刀磨损量，也给出了车削时估计与实测。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.