基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

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.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

遗传—神经网络在交通流预测中的应用

提出一种基于BP神经网络的遗传算法,分别利用其局部和全局寻优能力强的特点,综合为一种新的优化算法,并将改进的算法应用于交通流预测中。结果表明,改进方法的预测效果优于单一使用BP神经网络进行预测的效果。     

基于BP神经网络的遗传算法在短时交通流预测中的应用

将BP神经网络和遗传算法的结合点进行改进,并以此为基础提出新的优化算法。新算法设计简单,易于实现,能有效地解决局部极小问题,加快收敛速度,增强网络的适应能力,预测效果明显优于BP算法。     

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.     

退火遗传算法优化的神经网络在销售预测中的应用

将遗传算法(GA)和模拟退火(SA)优化的神经网络应用到制造企业的销售预测中.预测采用三层前馈神经网络,其中神经网络的连接权重和节点阈值的确定使用GA和SA算法相结合的优化学习策略.GA采用实数编码, 把要确定的神经网络连接权重和节点阈值作为基因串.实例数值计算表明该种算法的神经网络的学习速度和预测精度都比单纯BP算法得出的结果好,适合于制造企业的销售预测.     

基于遗传算法优化BP神经网络的交通流预测

为了使传统的BP神经网络算法能够适用于中时交通流预测,提出一种基于遗传算法优化深层BP神经网络算法。将传统遗传算法优化的BP神经网络进行了优化和调整,分别在不同的隐含层数量、输入节点数量以及隐含层节点数量的条件下进行多次实验,从预测精度和运算效率两个方面综合考虑得到了针对中时交通流预测的最优神经网络结构。以此结构通过MATLAB R2016b进行仿真实验,精度指标采用平均相对误差(Mean Relative Error, MRE),准确率及均等系数(Equality Coefficient, EC)进行综合判断。结果表明,在30 min内,交通流预测的MRE低于3%,准确率和EC则分别高于95%和0.98,而预测延长至60 min内时,MRE仍然能够保持在低于7%的水平,准确率和EC则分别保持在80%和0.95以上。     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．