��ʱ��ͨ״̬Ԥ���������Ⱥ�㷨�Ż��о�

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。目前,道路交通数据采集设备的性价比越来越合理,道路上交通数据的采集设备不断完善,使得短时交通流状态的分析处理和预测成为可能。考虑到道路网交通状态的混沌特性和相关性,应用多维混沌时间序列可对道路网多断面交通状态进行预测。建立的多维混沌时间序列模型中有多个参数需要确定,并且与以往一维混沌时间序列预测中参数确定原则既有区别又有联系,因此在分析其差异性之后,本文利用粒子群优化算法优化模型中参数,当输入新的数据时,应用该模型就可以预测道路多点的交通状态。通过某城市快速路上7个断面交通流量来验证模型的有效性。     

混沌统计量的预测研究

提出了一种基于混沌吸引子的统计量序列预测技术．对于一个经诊断为混沌的统计量序列,应用神经网络建立模型,短期预测混沌序列．实验证明：Lyapunov指数越大,预测效果越差;神经网络的预测结果优于AR模型的预测结果．混沌序列是完全可以预测的．     

短期货运预测模型研究

短期货运量的预测对于交通运输系统的运作与管理具有重要意义．本文将回归分析与时间序列分析相结合,提出一个带有回归项和时间序列误差项的回归-时序混合模型,用以进行短期货运量的预测．在对模型进行识别、初估计的基础上,采用极大似然方法进行参数估计,经反复拟合,并对模型进行相应检验,最后得到符合要求的拟合模型。应用此回归-时序混合模型进行月度货运量的拟合预测,并与多元线性回归模型和季节ARIMA模型的拟合预测结果相比较,表明回归-时序混合模型可以提高短期货运量的预测精度。     

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

基于神经网络的混沌时序数据失真检测方法研究

介绍了时序数据的混沌识别方法,并根据混沌时序数据的可预测性,提出了一种基于神经网络的混沌时序数据失真检测方法.通过实例证明该方法能准确地检测出混沌时序数据的失真点,并将其还原.该方法既是检测过程同时也是修复的过程,在数据处理领域有一定的应用前景.     

基于神经网络的混沌时序数据失真检测方法研究

介绍了时序数据的混沌识别方法,并根据混沌时序数据的可预测性,提出了一种基于神经网络的混沌时序数据失真检测方法.通过实例证明该方法能准确地检测出混沌时序数据的失真点,并将其还原.该方法既是检测过程同时也是修复的过程,在数据处理领域有一定的应用前景.     

平面2R机器人机构混沌运动的控制

应用混沌控制方法中的周期扰动参数方法有效地控制了平面2R机器人机构中的混沌运动．在周期扰动参数控制法中，外扰周期信号的频率和振幅是混沌控制成功与否的关键．通过计算系统的最大Lyapunov指数的符号与频率或振幅的关系，可以选取适当的频率和振幅，将系统的混沌运动转化为规则的周期运动．     

基于最大Lyapunov指数改进算法的交通流混沌判别

提出了一种快速判别交通流混沌的最大Lyapunov指数改进算法．该算法首先用关联积分法（C-C方法）和Cao方法确定重构相空间的两个重要参数：嵌入维数m和延迟时间，再用小数据量方法计算时间序列的最大Lyapunov指数．这种算法不仅能够很好地重构原始时间序列的特性，并且能够避免Wolf方法的局限性．应用最大Lyapunov指数改进算法对仿真交通流和实测交通流的时间序列进行了混沌判别，结果表明，基于跟驰模型的仿真交通流和实际交通流中存在混沌现象，最大Lyapunov指数改进算法是准确判定时间序列是否具有混沌特性的一种有效方法．     

基于混沌高效遗传算法优化SVM的交通量预测

针对交通量预测本身所存在的小样本、非线性和复杂性等特点,利用支持向量机建立了基于RBF核函数的SVM交通量预测模型,采用基于混沌映射和加速遗传算法的混沌高效遗传算法对SVM模型参数C,ε和δ2进行优选,结合某市1978～2008年交通量实测资料进行了仿真验证,与GA-SVM模型和BP神经网络模型的仿真预测结果对比表明:该模型取得了较好的预测效果,可有效应用于城市交通量的预测.