基于S型函数预处理的RBF神经网络交通流量预测

根据交通流复杂性的特点,提出了一种基于S型函数标准化数据预处理的交通流量RBF网络预测方法,缩短了RBF网络训练时间;同时采用OLS算法有效降低RBF网络训练的随机性。实验仿真结果表明,该算法可用于实时交通流量及参数预测,并具有可靠的精度和较好的收敛速度。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

高速公路模糊神经网络限速控制与仿真研究

高速公路限速控制是一个非线性时变系统,难于用数学模型准确建模,提出一种模糊神经网络实现限速控制。本文阐述了网络的结构和学习算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制模糊神经网络模型,并进行了仿真研究。仿真结果表明网络训练速度快、精度高,适合交通流限速控制的在线建模。该方法切实可行,可使交通流更加均匀、稳定,从而提高主线运行的安全和效率。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

短时段交通流预测的RBF神经网络模型

介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。     

基于RBF神经网络识别路面不平度的研究

针对应用RBF神经网络识别路面不平度的输入选择、输入方案确定和识别效果评价3个问题，提出了一种解决方法。对RBF神经网络和训练过程进行了分析，选择车辆可以测试的车辆响应作为RBF神经网络输入，引入正交试验设计确定RBF 神经网络输入方案，采用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。通过采用车辆和路面不平度系统4自由度平面模型仿真获得车辆响应和前轮路面不平度，应用RBF神经网络对常用路面等级和常用车速行驶下某汽车的前轮路面不平度进行了识别。结果表明，所提出的方法解决了基于RBF神经网络识别路面不平度的3个问题，可以用于其它神经网络识别路面不平度。     

并联混合动力汽车的发动机转矩估计

提出采用神经网络对发动机转矩进行估计的方法,以发动机台架性能实验所得数据为基础,在Matlab中建立了多种类型的神经元和层数的发动机输出转矩模型.在网络模型的建立过程中,提出了一种新的训练方式,通过对不同模型的训练及结果分析,筛选出了估计精度和泛化能力都较为理想的模型,并以此模型进行了实际的转矩估计,取得了较满意的效果.     

BP神经网络在通道交通流预测中的应用探索

利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。     

基于小波神经网络的道路交通流量实时预测模型研究

实时交通流量预测是智能交通系统的核心内容,智能交通系统中多个子系统的功能实现都以其为基础。交通流具有高度非线性和不确定等特征,且与时间高度相关,可以看成是时间序列预测问题。根据交通流的这些特点,提出基于小波神经网络的道路交通流量实时预测模型,并以某条道路为例,通过Matlab编程实现模拟仿真。仿真结果表明,小波神经网络能够比较精确、快速地对实时交通流量进行预测,网络预测值接近期望值。