基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

基于GA-灰色神经网络的沥青路面使用性能预测

为准确预估我国沥青路面使用性能的变化趋势,在传统灰色预测模型GM(1,1)的基础之上,提出了无偏GM(1,1)模型和滑动GM(1,1)模型,并通过遗传算法(GA)优化后的BP神经网络对传统、无偏与滑动GM(1,1)模型进行了组合,得到了兼顾灰色理论、遗传算法和BP神经网络优点的GA-灰色神经网络组合预测模型,并以具体实例验证了该模型的有效性。结果表明:传统GM(1,1)模型的平均相对误差为4.67%,无偏GM(1,1)模型的平均相对误差为4.64%,滑动GM(1,1)模型的平均相对误差为4.63%,灰色神经网络组合模型的平均相对误差为2.41%,而GA-灰色神经网络组合模型平均相对误差仅为0.54%,证明所提出的组合模型预测精度较高,误差较小,可作为制定路面养护计划的依据。     

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.     

基于模型组合的铁路集装箱运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

不等时距GM(1,1)模型预测地基沉降研究

分别采用直线插值、三次样条插值、BP神经网络3种方法,用M ATLAB语言编制程序将不等时距序列转化为等时距序列,采用灰色理论预测沉降.由于BP神经网络强大的非线性映射功能,可以避免常规插值法所造成的一系列误差.实际工程应用结果表明,利用直线插值、三次样条插值和BP神经网络与灰色理论联合建模所得的预测值与实测值的最大相对误差分别为17.2%,5.9%和4.6%.由此可见BP神经网络和灰色理论联合建立的GM(1,1)模型用于预测路基沉降最为精确.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP)，有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢，容易陷入局部极值的问题，提出一种自适应递减的收敛因子，使灰狼算法区分全局搜索和局部搜索；改进灰狼个体的位置更新公式，引入惯性权重，调节惯性权重大小使灰狼算法具有跳出局部极值的能力；对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型，结果显示，TGWO-BP的短时交通流预测模型误差为10.03%，达到较好的预测精度.     

基于多周期组件时空神经网络的路网通行速度预测

针对当前路网通行速度预测方法存在的中长周期预测准确性和稳定性不足、自适应路网拓扑空间关系建模能力有待进一步提升等问题,以多尺度卷积算子及门控循环单元为核心单元,提出一种面向路网通行速度预测任务的多周期组件时空神经网络模型。首先,根据路网交通感知数据的周期特性,将其规约为周、日和近期这3种不同粒度的时间-空间-特征三维矩阵,并输入至3个共享网络结构的周期组件。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个路网节点的时序特征使用门控循环单元提取交通数据长时依赖关系,引入残差学习框架,提高网络训练效率并防止梯度弥散。最后,自适应加权融合通过预测卷积层的每部分周期组件预测结果生成预测时段内路网交通通行速度。为验证所提方法的有效性,基于两个公开的交通状态数据集进行实验分析,并选取当前主流的深度神经网络模型作为对比基线模型。结果表明,所提方法在可接受的执行时间内,在两个数据集上平均绝对误差、平均平方误差和平均绝对百分比误差分别为 2.55、3.94 和 10.75%,1.57、3.52和3.44%,在预测准确性与中长时多步预测稳定性方面均优于其他基准方法。     

基于组合预测模型的轮轨力连续测试

为了精确判断车辆的运行状态,提出了一种轮轨力连续测试方法.根据轮轨相互作用的特点,采用阈值判断法从测试数据中提取轮轨力的有效信息.针对轮轨力测试系统的时变性和不确定性,将动态测试序列作为灰色过程处理,提出用灰色理论对轮轨力进行连续测试.为了提高预测精度,结合遗传算法和神经网络对传统的GM(1,1)模型进行改进.建立了10个预测模型分别进行预测,然后将精度较高的预测值输入串联灰色神经网络进行二次预测,以提高预测精度与稳定性.将这10个预测模型应用到轮轨力连续测试中,结果表明:灰色系统、遗传算法与神经网络三者的组合模型具有较高的精度,平均相对误差不超过2%,满足轮轨力连续测试的要求,并且能够降低传感器失效对测试结果的影响.     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

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.