基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测.通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好.     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练。并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明：所建的Elman模型比EBP模型的预测精度高,效果好。     

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

遗传神经网络在公交客流量预测中的应用研究

全面考虑影响公交客流量的各个因素，建立遗传神经网络预测模型，并把其预测结果和神经网络BP算法的预测结果进行比较．这种方法具有很强的学习能力和自适应性，其预测结果优于神经网络BP算法的预测结果，故具有很好的应用价值。     

������������Ԥ���������ģ��

公交客流预测是城市公共交通规划的重要内容，是确定城市公共交通发展规模、布置场站及布设线路的根本依据，也是制定城市公共交通发展政策的重要依据.本文通过分析神经网络的作用机理和公交客流生成量的影响因素，建立了公交客流生成量预测的三层BP神经网络模型，以土地利用(8个神经元)、人口数以及区位系数作为输入神经元，输出神经元为公交客流的产生量和吸引量，隐层神经元数根据最大相对误差最小为目标试算求得.以哈尔滨市一日的调查数据对模型进行了标定与检验，结果证明，模型具有较高的预测精度.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

基于Matlab的BP神经网络在公交车辆调度中的应用

根据公交站点客流集散量,选用合适的BP神经网络构建公交车辆调度形式的神经网络预报模型.运用BP神经网络Matlab工具箱设计的基本方法与过程,将BP网络模型引入公交车辆的调度方案研究,计算结果表明,BP模型应用于公交车辆调度形式预测中具有较高的预测精度和良好的泛化能力.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于IC卡和RBF神经网络的短时公交客流量预测

在公交客流量特性分析基础上,通过IC卡获取了实时公交客流量数据;结合GPS数据,利用OD反推法分析了实时客流分布;进而建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。对重庆市841公交线路进行了实例分析,得到上下车客流真实值与预测值的平均绝对相对误差均小于1.5%,实例计算结果表明该模型能获取实时客流数据,预测精度高,具有一定的实际应用价值。     

基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。     

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。     

神经网络组合模型在刘翔比赛成绩预测中的应用

影响体育比赛成绩的因素很多,传统的体育预测方法很难得到满意的预测结果.神经网络预测模型具有很强的非线性映射,在许多领域都有很好的应用.通过建立BP、RBF、Elman神经网络模型及组合模型,分别对刘翔110 m栏成绩进行预测.从预测结果看,最优线性组合模型的预测精度更高,具有更好的应用价值.     

基于BP神经网络的轨道交通客流量预测

通过对BP神经网络的研究,借助MATLAB软件及其神经网络工具箱的应用学习,对非线性函数进行逼近,通过特定设计函数对所需要建立的神经网络模型进行训练,并且利用仿真来判断误差结果,得出符合模型的合理权值以及阈值,最后根据已有年数据进行轨道交通客流量的预测.     

基于状态空间神经网络的短期公交调度模型

本文从公交线路状态时空变化规律的角度出发,讨论了应用状态空间神经网络模型解决短期公交调度问题的方法。采用能描述实际公交线路状态（包括客流状态以及车辆运行速度等）的网络拓扑结构,结合前一时段的公交线路状态,预测下一时段的状态并选择与其相适应的调度方案。本文以南京市某公交线路的数据作为实例进行模型应用,与BP神经网络和AMRA模型的对比结果显示状态空间神经网络模型能在短期内更好地针对客流空间、时间变化对公交发车间隔进行调整,模型预测精度高,自适应性强,值得推广应用。     

最小二乘支持向量机在公路交通客流量预测中的应用

交通客流量预测是交通规划的重要内容,对于交通规划具有重要意义。利用最小二乘支持向量机理论,建立交通客流量预测模型,通过与BP神经网络预测模型实验结果进行比较,验证了其在交通客流量预测中的有效性。     

基于实测数据软土地基沉降预测方法的比较

考虑到软土的复杂性和各种沉降理论计算方法的局限性,利用有限的沉降实测数据,选取合理的模型及方法来预测软基的沉降。以深圳盐田港西港区纳泥塘地区软基沉降预测为例,采用了BP向前型网络模型和Elman反馈型网络模型两种不同的神经网络建模法,通过高度非线性的曲线拟合,推求工程后期沉降(包括最终沉降),并与曲线拟合法中的双曲线法、指数曲线法、泊松曲线法及 Asaoka 法对比,对拟合预测结果进行检验,使其具有统一的量化标准。对比结果表明：BP神经网络模型和双曲线法的预测效果最好,适用于本工程的沉降预测。     

基于Elman神经网络的锂电池SOH估算

利用Elman神经网络完成了对锂电池SOH的估算,以温度、SOC和内阻作为Elman神经网络模型的输入,SOH值作为输出建立Elman神经网络模型,并对模型进行测试,仿真结果表明:该模型的SOH测试相对误差在±1.5%内.最后采用MCU实现数据的采集,在服务器中用java实现基于Elman神经网络的估算算法,该方法释放了下位机的运算压力,提高了处理速度和精度.