基于RBM-GASA-BPNN 的潜在高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于RBM-GASA-BPNN的潜在 高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于SSA优化BP神经网络在基坑地表变形预测中的应用研究

针对BP神经网络在基坑地表变形预测过程中容易产生局部最优的权阈值、影响预测结果精度的问题,提出基于麻雀搜索算法SSA(Sparrow Search Algorithm)优化BP(Back Propagation)神经网络预测模型,提取出BP神经网络的全局最优权阈值。通过工程实例应用分析,验证了基于麻雀搜索算法优化的BP神经网络能够提高基坑地表变形的预测精度,SSA优化后的BP神经网络模型能够被用于基坑地表变形预测。     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

基于多中心车辆路径问题的收益分配优化研究

针对多中心车辆路径优化过程中配送中心间合作收益分配不均衡的问题,引进物流服务提供商作为协调者促成配送中心间形成合作联盟.首先,以多中心共同配送总成本最少为目标建立数学模型;其次,应用客户点聚类方法形成初始线路,并设计了GA-PSO混合算法进行线路优化;然后,运用MCRS(Minimum Cost-Remaining Saving)法、Shapley法、比例最小核心法、弱最小核心法和最小核心法分别求解多中心收益分配模型,并应用联盟稳定性方法选择最优收益分配策略;最后,应用严格单调路径方法,以物流服务提供商收益最大化为目标,研究联盟合作序列形成过程和多个联盟的存在形式,并进行了实例验证.结果表明,本文方法有利于促进配送中心间形成联盟,并可应用到以多中心车辆路径优化为基础的物流运输网络合作联盟形成、拆分及网络优化的过程中.     

基于GSO-BP神经网络的城市轨道交通客流量短时间预测

城市轨道交通作为公共交通客流量的分担措施之一,能够解决因客流量预测不准确而带来的资源浪费和低效益问题。建立一种新的GSO-BPNN方法,该方法在BP网络的基础上植入GSO算法,优化网络的初始权值和阈值,并以某城市轨道交通客流量为例,对比普通BP网络预测模型,结果显示GSO-BPNN方法的预测精度较高。     

一种基于ADPSO优化的循环神经网络模型

针对循环神经网络(Recurrent Neural Network,RNN)采用传统的训练方法造成的收敛速度慢、易陷入局部最优的问题,提出一种自动调整的动态粒子群优化算法(ADPSO),利用ADPSO较强的全局寻优能力来优化RNN的初始权值及阈值,构建基于ADPSO优化的RNN模型(ADPSO-RNN),从而提升RNN的预测性能及泛化性能.在ADPSO中,将动态搜索空间策略引入到粒子群算法中,同时自适应地调整学习因子以平衡算法的全局和局部搜索能力.在实验中,将ADPSO与PSO进行算法优化性能对比,结果表明ADPSO具有更好的寻优性能;然后以某股票的股票价格历史数据为实验数据,将ADPSO-RNN与常规RNN、PSO优化的RNN分别对其进行预测,结果表明ADPSO-RNN模型在股票价格预测中预测指标平均绝对误差和均方误差上相对于另外两种模型均有所降低,具有更好的泛化性能.     

牛顿插值法的灰色GM(1,1)模型在桥梁荷载试验中应用

由于传统的灰色GM(1,1)模型预测精度不高,以牛顿插值法函数对初始序列背景值进行优化提出了改进模型。以武汉市某等截面连续钢箱梁桥现场荷载试验为工程依托,通过分级加载实测挠度与理论计算挠度差值为初始数据列,来预测下一级加载实测挠度。基于牛顿插值法灰色GM(1,1)改进模型与原始模型预测的数据平均相对误差减小了2.4%,预测第六级加载弹性挠度值减小2%。结果表明,基于牛顿插值法对初始序列背景值优化的改进模型在大型桥梁荷载试验中预测下一级实测挠度值的精度高、可靠性好。     

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.     

基于神经网络和支持向量机的大客车运行车速组合预测

为了降低单个预测方法的不确定性,综合神经网络和支持向量机两种学习型算法,基于二者的最优加权组合对大客车运行车速进行了预测.以二级公路上244个路段的平曲线半径和纵坡度等线形数据和实测车速为样本,分别应用BP神经网络、支持向量机、最优加权组合预测以及线性回归对大客车第85百分位运行车速进行了预测.选择均方根误差和判断系数为评价指标,对比结果表明,最优加权组合预测能够综合单个预测方法的信息,提高了预测精度.     

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.     

Improved Social Emotion Optimization Algorithm for Short-Term Traffic Flow Forecasting Based on Back-Propagation Neural Network

The back-propagation neural network(BPNN) is a well-known multi-layer feed-forward neural network which is trained by the error reverse propagation algorithm. It is very suitable for the complex of short-term traffic flow forecasting; however, BPNN is easy to fall into local optimum and slow convergence. In order to overcome these deficiencies, a new approach called social emotion optimization algorithm(SEOA) is proposed in this paper to optimize the linked weights and thresholds of BPNN. Each individual in SEOA represents a BPNN. The availability of the proposed forecasting models is proved with the actual traffic flow data of the 2 nd Ring Road of Beijing. Experiment of results show that the forecasting accuracy of SEOA is improved obviously as compared with the accuracy of particle swarm optimization back-propagation(PSOBP) and simulated annealing particle swarm optimization back-propagation(SAPSOBP) models. Furthermore, since SEOA does not respond to the negative feedback information, Metropolis rule is proposed to give consideration to both positive and negative feedback information and diversify the adjustment methods. The modified BPNN model, in comparison with social emotion optimization back-propagation(SEOBP) model, is more advantageous to search the global optimal solution. The accuracy of Metropolis rule social emotion optimization back-propagation(MRSEOBP) model is improved about 19.54% as compared with that of SEOBP model in predicting the dramatically changing data.     

Optimal linear phase finite impulse response band pass filter design using craziness based particle swarm optimization algorithm

An efficient method is proposed for the design of finite impulse response (FIR) filter with arbitrary pass band edge, stop band edge frequencies and transition width. The proposed FIR band stop filter is designed using craziness based particle swarm optimization (CRPSO) approach. Given the filter specifications to be realized, the CRPSO algorithm generates a set of optimal filter coefficients and tries to meet the ideal frequency response characteristics. In this paper, for the given problem, the realizations of the optimal FIR band pass filters of different orders have been performed. The simulation results have been compared with those obtained by the well accepted evolutionary algorithms, such as Parks and McClellan algorithm (PMA), genetic algorithm (GA) and classical particle swarm optimization (PSO). Several numerical design examples justify that the proposed optimal filter design approach using CRPSO outperforms PMA and PSO, not only in the accuracy of the designed filter but also in the convergence speed and solution quality.     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。      

面向多层级目标的汽车前围声学包优化研究

为了研究汽车声学包设计参数对其多性能目标的影响,首先,改进了传统的深度信念网络（DBNs）方法,并提出SVR-DBNs (support vector regression-deep belief networks)模型,提升了模型映射的准确度;其次,从车辆噪声传递关系与层级目标分解角度出发,提出了一种多层级目标预测与分析方法;最后,将所提方法应用于具体车型的前围声学包性能、重量与成本多目标预测与优化分析.研究结果表明：SVR-DBNs方法对前围声学包性能、重量与成本目标预测准确度均在0.975以上,优于传统的反向传播神经网络（BPNN）、SVR与DBNs模型;基于SVR-DBNs模型的优化结果与实测结果接近,两者加权目标相对误差为1.09%（平均传递损失（MTL）、重量和成本相对误差绝对值分别为1.44%、1.04%与0.71%）,优化后的实测结果较前围声学包原始状态性能、重量和成本分别提升了5.51%、9.01%与4.40%.     

船舶航速优化综述

从航速优化模型、油耗预测模型、航速优化模型求解方法与船舶能效管理系统方面, 分析了国内外航速优化研究现状, 探讨了航速优化存在的问题, 并针对这些问题提出了建议。研究结果表明: 在航运市场持续萎靡的情况下, 经济航行将被更广泛应用, 针对航速优化的研究仍然具有重要的意义; 在航速优化模型方面, 目前多集中在以碳排放政策、不确定因素的影响、排放控制区政策、船队调度等为单一优化目标建立航速优化模型, 优化目标主要为成本最小化和利润最大化, 未来应将航速与航线、纵倾、船队部署联合优化, 考虑多种不确定因素、多种优化目标建立航速优化模型; 在油耗预测模型方面, 预测模型主要分为白盒模型、黑盒模型和灰盒模型, 白盒模型具有更好的可解释性, 黑盒模型的预测性能更好, 灰盒模型弥补了白盒模型和黑盒模型的缺点, 将成为未来的研究重点, 未来应基于精确的船舶数据和先进的人工智能算法进行数据学习, 提升油耗预测模型预测准确性; 在优化算法方面, 由于航速优化模型的复杂性, 大多采用启发式算法进行优化求解, 这种算法可以减少优化求解时间和提高求解质量, 未来需要探索更加精确高效的求解算法; 在优化策略方面, 采用大数据分析可以识别天气对航行的影响, 动态优化策略可以补偿环境因素引起的扰动, 能够进一步提升船舶能效水平; 在船舶能效管理系统方面, 船舶能效管理系统主要包括航行数据采集、数据传输、数据储存、数据分析与智能决策等功能, 由于其成本高昂, 目前尚未在船舶上大规模运用。      

Adaptive Identification of Logging Lithology Based on VPSO-ENN Hybrid Algorithm

Particle swarm optimization (PSO) was modified by variation method of particle velocity, and a variation PSO (VPSO) algorithm was proposed to overcome the shortcomings of PSO, such as premature convergence and local optimization. The VPSO algorithm is combined with Elman neural network (ENN) to form a VPSO-ENN hybrid algorithm. Compared with the hybrid algorithm of genetic algorithm (GA) and BP neural network (GA-BP), VPSO-ENN has less adjustable parameters, faster convergence speed and higher identification precision in the numerical experiment. A system for identifying logging parameters was established based on VPSO-ENN. The results of an engineering case indicate that the intelligent identification system is effective in the lithology identification.