基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

制动器制动最高温度径向基神经网络预测

神经网络具有智能化和快速学习能力,在复杂动态系统预测方面具有十分广泛的应用,文章基于径向基函数神经网络,对制动器制动最高温度预测问题进行了研究。通过仿真模拟验证了径向基函数神经网络在逼近与预测方面的强大功能,同时通过对径向基函数分布密度的优化得到了用于制动器制动最高温度预测的神经网络预测系统,同时对制动温度的预测,得到了精度较高的预测结果。文章的研究对于制动器制动性能预测具有一定的参考。     

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于规划求解的组合预测模型在道路客运量预测中的应用

为更好地对道路客运量未来发展趋势进行预测,建立更加精确的预测模型,在分析主要预测方法的基础上,提出一种基于规划求解的组合预测模型。基于灰色模型、一元回归和指数平滑三种预测方法,建立了以历年预测值加权之和与实际值的差值的绝对值之和最小为目标函数,以权重系数非负和权重系数之和为1的规划求解模型。在权重计算过程中,目标函数值随着迭代次数的增加逐渐减少,通过对目标函数值的变化值进行观测,当目标函数的变化值出现拐点时,定义了组合权重迭代次数的确定方法。选取更具有代表意义的"百城百站"旅客发送量为基础数据,建立了道路旅客运输客运量组合预测模型。在规划求解过程中利用Excel中的"规划求解"功能。试验结果表明:随着迭代次数的增加,目标函数变化值逐渐减小,当迭代次数为7时,目标函数变化值出现拐点,以此确定了迭代次数;传统3种预测方法的绝对误差分别是1.26,0.48和2.98,基于规划求解的组合预测模型的绝对误差是0.12,预测精度更高、误差更小,并且该组合预测模型操作方便,可减少单个模型预测的不确定性,可根据上述模型对未来道路旅客发送量进行预测。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

基于GM-GRNN国家高速公路网规模预测研究

通过对国内外公路网规模研究的分析,指出了传统预测方法的不足。针对我国公路网规模预测中样本量少、数据干扰大的特点,首次引入资源承载力和地理特征影响系数概念,在充分考虑各种可量化因素的基础上,提出了GM-GRNN公路网规模预测模型,即是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,充分发挥了GM和GRNN模型的优点,避免了理论误差,检验结果表明,该方法具有较高的精度。最后分析预测出我国国家高速公路网的总体规模。     

基于遗传神经网络的高速公路纵坡运行速度预测方法研究

车辆运行速度预测取决于多因素、非线性函数关系的建立,预测模型建立的准确与否取决于各个影响因素之间的相互作用的特性。将遗传算法与神经网络有机结合起来,以高速公路上的实测运行速度为基础,建立遗传神经网络训练和检验样本集,利用Matlab7.04的神经网络工具箱和遗传算法工具箱的函数,完成程序的编写,建立基于遗传算法的高速公路纵坡路段运行速度(V85)的神经网络预测模型,并将预测结果与实测数据进行比较。结果表明:所用遗传神经网络模型可靠,预测精度高,对我国采用运行速度的路线设计方法和线形质量评价有较高的参考价值。     

基于改进的灰色BP神经网络的区域物流成本预测

区域物流成本的测量与分析是考察一个地区物流水平的关键问题,合理地计算和预测物流成本可以使各级政府对物流发展采取有效的宏观调控措施。本文提出了适合中国地区的物流成本的较合理的测算方法,以吉林省为例进行了实证分析,并采用改进的灰色BP神经网络模型对吉林省的物流成本进行预测,取得了满意的预测结果。研究表明控制物流成本仍然是振兴区域经济,提高经济效益的源泉。     

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。     

适于动态导航系统的城市道路交通状态判别

城市道路交通状态判别是动态导航系统中的关键技术之一,文章从城市道路交通流系统的高度复杂性特点出发,提出了一种基于神经网络的城市道路交通状态判别方法．首先,利用灰关联熵分析方法选取交通状态的关键性特征指标;然后,建立交通状态判别的神经网络模型并利用实测数据对其进行离线训练;最后,应用训练后的神经网络进行城市道路交通状态在线判别．实验表明,用于城市快速路的交通流状态判别方法效果良好。     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

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。