城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型．对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

模糊广义学习向量量化算法在交通事故预测方面的应用

模糊逻辑系统易于理解,而神经网络则有极强的自适应能力.本文将模糊数学方法和神经网络结合起来建立组合模型,用广义模糊神经网络(FGNN)预测道路交通事故.运用MATLAB语言编程,利用模糊广义学习向量量化算法(FGLVQ)建立模糊神经网络模型,并应用于交通事故预测中,改进了交通事故预测的计算方法.理论分析和实例表明,设计的模糊神经网络模型具有良好的非线性映射功能和泛化功能,对预测交通事故有较好的适应性.     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

基于多分辨率分析的区间类型2模糊系统

为了更有效地表达和处理系统的不确定性,提出了基于多分辨率分析的区间类型2(简称多分辨率区间类型2)模糊系统,构造了多分辨率区间类型2隶属度函数,并给出了基于尺度函数分解的结构和参数学习算法.多分辨率区间类型2模糊系统的前件是多分辨率隶属度函数,后件是输入的线性函数,因此系统可以自适应地划分输入论域空间,优化系统结构.将多分辨率区间类型2模糊系统应用于带有噪声的时间序列预测,预测结果的复杂度较小,均方根误差为0.105 2.     

基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于多分辨率分析的模糊系统逼近能力分析

根据多分辨率分析理论，利用B-样条函数作为尺度函数具有的紧支撑性和多分辨率逼近性，从时频域局域化角度构造出基于多分辨率分析的模糊系统．从理论上分析了基于多分辨率分析的模糊系统的函数逼近能力。结果表明，多分辨率模糊系统构造的函数集在赋范空间L^P(E)中是稠密的，即具有函数逼近能力．