多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

网络流量测量的模型与算法研究

为了防止单纯的升级网络,提升网络性能,对网络流量的预测和量度进行研究显得尤为重要。论文利用长相关特性的时序分析法构建FAR IMA模型,并利用此模型对网络流量的测量算法进行研究。通过构建满足流量特性的流量模型,提出了一个基于小波技术和时间序列分析的混合流量预测模型,并利用此模型的流程测量算法对真实网络流量数据的短期行为趋势进行了分析和预测。实验结果表明此预测模型可以较为全面地描述和标识流量的各种特性,对网络流量行为进行有效而准确的跟踪和测量。     

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.     

����ģ����ϵ���·��װ������Ԥ��

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.     

基于自适应粒子群优化算法的交通量短时预测模型

在考虑交通量短时变化的时空特性和波动性基础上,建立了非线性交通量短时预测模型.根据我国城市道路交通流非线性、时变性、随机性等特点,提出自适应粒子群优化算法对非线性交通量短时预测模型进行在线修正.该自适应粒子群优化算法采用两步优化策略,对算法参数进行调整,避免算法早熟收敛,有效提高了算法的运算精度和效率.利用城市道路的实测数据,通过Mat-lab软件工具箱对该模型进行计算机仿真验证.     

基于参数修正灰色模型的时延估计

针对网络时延的估计问题,提出了基于参数修正灰色模型的时延预测方法.首先,建立传统灰色时延预测模型,将网络时延看成是一个非平稳的随机时间序列;通过传统灰色预测方法对参数α和u进行计算,并依据修正方法在线调整两个模型参数,进而通过修正处理的参数重新建立灰色预测模型,来提高时延的预测精度.仿真结果表明了该算法具有很好的预测精度和实时性.     

民用汽车拥有量非线性时空组合预测模型

基于时空理论,结合未来我国经济发展趋势,对中国民用汽车拥有量进行预测. 首先,根据国内外汽车发展经验,利用灰色Verhulst模型拟合中国汽车拥有量的发展规律,并初步估计中国未来20年汽车拥有量;然后,根据关联理论筛选出与民用汽车拥有量关系密切的若干个社会经济指标,运用主成分分析法对这些指标进行降维,提取出几个主要的彼此不相关的综合指标,运用计量经济学理论建立民用汽车拥有量预测模型,并再次估计中国未来20年汽车拥有量;结合上述两个模型的优点,利用BP神经网络建立非线性组合预测模型. 2003～2007年数据证实该非线性组合预测模型具有更强的可靠性和预测精度. 最后利用该非线性组合预测模型对中国未来20年的民用汽车拥有量进行预测.     

��������ӵ����������ʱ�����Ԥ��ģ��

基于时空理论,结合未来我国经济发展趋势,对中国民用汽车拥有量进行预测. 首先,根据国内外汽车发展经验,利用灰色Verhulst模型拟合中国汽车拥有量的发展规律,并初步估计中国未来20年汽车拥有量;然后,根据关联理论筛选出与民用汽车拥有量关系密切的若干个社会经济指标,运用主成分分析法对这些指标进行降维,提取出几个主要的彼此不相关的综合指标,运用计量经济学理论建立民用汽车拥有量预测模型,并再次估计中国未来20年汽车拥有量;结合上述两个模型的优点,利用BP神经网络建立非线性组合预测模型. 2003～2007年数据证实该非线性组合预测模型具有更强的可靠性和预测精度. 最后利用该非线性组合预测模型对中国未来20年的民用汽车拥有量进行预测.     

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。     

基于参数自校正AR模型的网络时延估计

针对网络随机时延这一问题,提出了参数自校正AR模型的网络时延估计算法,并对其进行预测.首先兼顾预估精度和算法实时性的原则确定了模型的参数,建立了网络时延的AR模型;在此基础上,通过LMS算法对时延进行在线预测,并根据新的时延值在线调整模型的参数;通过仿真结果验证了该算法具有很好的预测精度和实时性,具有一定的应用价值.     

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

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.     

基于径向基函数神经网络的交通事故预测

基于径向基神经网络强大且准确的非线性关系映射能力,将其应用于交通事故预测中,获得了较高的预测精度。同时,与BP神经网络预测结果的对比表明,径向基神经网络预测方法明显优于BP神经网络预测方法。     

基于BP神经网络的交通异常事件自动检测算法

对现有公路交通异常事件自动检测算法进行介绍,在此基础上提出从人工神经网络角度方向建立检测模型,摆脱以往使用仿真数据研究的局限,利用广深高速实测交通异常事件数据对BP神经网络（Back Propagation NN）在交通异常事件自动检测算法中的应用进行研究。结果表明BP神经网络算法具有检测率高、误报率低和检测速度快等优点。     

基于多核最小二乘支持向量机的短期公交客流预测

公交客流是公交规划和运营调度的基础。针对短期公交客流的非线性、随机性和复杂性及支持向量机单核核函数自适应能力较弱的特点,提出一种基于多核最小二乘支持向量机的公交客流预测方法。该方法既考虑到了公交客流的历史数据规律,又顾及到短期公交客流的时变特性,充分利用了相关参数的知识信息。为了保证模型的自适应能力和提高模型的泛化能力,作者提出了综合评价指标,并采用改进遗传算法实现向量机参数优化。最后,结合LS．SVM工具箱,在MATLAB平台上实现长春市短期公交客流的预测。预测结果表明,提出的多核预测方法具有较高的准确性、较强的鲁棒性和自适应能力,在公交客流预测中有具有较好的应用价值。     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

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.     

一种路网交通流参数的融合预测方法

提出了数据驱动与中观交通仿真融合的交通流预测框架.该框架将数据驱动 方法在路网局部断面和路段的高精度预测能力与中观交通仿真的路网范围预测能力结 合起来,通过可信度高的路网局部断面和路段预测值,在线修正中观交通仿真模型的参 数,使得中观交通仿真模型能够逼近、反映交通流运动趋势,提高路网范围交通状态预测 精度.通过结合路段旅行时间预测与中观交通仿真的实例分析证明,断面和路段预测和中 观交通仿真结合发挥了两者各自的优势,预测结果优于单一的中观交通仿真方法.