基于数据挖掘算法的汽车销售预测模型的应用研究

针对中国汽车工业协会的汽车历史销量数据,利用时间序列法和RBF神经网络法进行汽车销售量预测,利用SPSS18.0统计软件建立了RBF神经网络模型,最终对几种预测方法进行了对比研究。结果证明:RBF神经网络具有更精确的预测值。     

RBF神经网络在边坡岩体稳定性中的预测研究

简要分析RBF网络的结构特点及最近邻聚类学习算法之后，以大量边坡工程的稳定状况为学习训练样本及预测样本，建立了预报模型．讨论了基于RBF神经网络技术的边坡岩体稳定性分析方法及其有效性．研究表明，用RBF神经网络方法预测边坡岩体的稳定状况是可行的．     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.     

基于神经网络的引水渠分流比预报研究

运用动量法和学习率自适应调整策略,建立了三层前馈网络模型预报明渠侧面分流比.将预测结果与实际值进行对比分析后表明,神经网络模型可用于预测明渠侧面分流比.     

船舶航向非线性系统自适应神经网络控制

提出了一种基于最小参数RBF(径向基)神经网络的船舶航向滑模控制算法.针对船舶运动控制中系统函数非线性不确定性和外界干扰项未知问题,利用RBF神经网络进行逼近.考虑到RBF神经网络权值难以快速调整,采用神经网络最小参数学习法设计设计单个参数的估计代替神经网络权值的调整;最后,借助李雅普诺夫稳定性理论设计出船舶航向RBF神经网络直接跟踪控制律.通过与神经网络控制算法和普通自适应控制算法的仿真比较可知,上述控制算法加快了自适应律的求解速度,控制器结构简单,控制参数少,易于工程设计与实现.     

基于神经网络的引水渠分流比预报研究

运用动量法和学习率自适应调整策略，建立了三层前馈网络模型预报明渠侧面分流比。将预测结果与实际值进行对比分析后表明，神经网络模型可用于预测明渠侧面分流比。     

����������ı�����· ��ͨ������Ԥ���о�

在总结交通流短期预M方法发展趋势的基础上，分别介绍了基于常规的BP神经网络和基于RBF神经网络的交通流量短期预测模型，并重点研究RBF网络模型的预测性能，确定了关健参数、的最优值.最后应用两种模型时北京环路实测交通流数据进行了预刚分析，实验结果表明，两种模型都可以满足实际交通流诱导的需要，BP模型在预则精度上稍优于RBF模型，但后者在学习速度和学习稳定性等方面明显优于前者.     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

RBF神经网络预测水泥水化热研究

利用RBF神经网络对水泥水化热进行预测,根据水泥水化热的影响因素,建立了12个输入节点、1个输出节点的RBF神经网络模型.通过27组试验数据,验证了模型的可靠性,并与BP神经网络进行了比较.结果表明,RBF神经网络预测效果明显优于BP神经网络,前者不仅预测速度快,而且预测精度高,相对误差小于4%,在水泥水化热预测中具有...     

RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

基于RBF神经网络因子分析的汽车保有量预测

汽车保有量预测对城市交通的发展方向有直接的参考意义,通过分析影响城市汽车保有量的因素,采用因子分析法提炼出较少的线性无关的主要因素,建立预测城市汽车保有量的RBF神经网络模型.最后通过实例分析,对RBF神经网络因子分析法计算结果和全要素神经网络模拟结果比较,得出RBF神经网络因子分析法在运算效率、运算精度上的优越性.     

基于ARIMA-RBF神经网络的沿海港口吞吐量预测研究

在沿海吞吐量预测中，影响因素多且复杂，传统的计量经济模型很难得到满意的结果。针对此特点，提出一种组合预测模型，先后用ARIM A模型和RBF神经网络模型探求港口吞吐量历史数据的线性和非线性变化规律，最后将两者预测结果组合。对福建省港口货物吞吐量预测作为实例进行验证，结果表明，相对单一预测模型，该方法的预测精确度更高。     

遗传算法优化的RBF神经网络模型在公路隧道群交通事故微观预测中的应用

本文根据构建的遗传算法优化的RBF神经网络模型,提出了公路隧道群交通事故微观预测方法,对以任意断面为中心的单元长度内的交通事故率进行合理预测,为公路隧道群事故多发点的鉴别及预防管理措施的制定提供理论支撑。最后,以西汉高速公路隧道群区段为例,以调研所得的交通事故微观预测模型参数基础资料,运用本文构建的预测模型进行工程实践应用分析,同时与传统的RBF神经网络预测结果进行对比,分析说明遗传算法优化的RBF神经网络预测模型的科学性及可行性效果良好。     

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。     

基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.