综合运输体系的短时交通流预测方法

对综合运输体系中的热点研究方向即短时交通流的几种主要预测方法:基于混沌时间序列分析、基于L-M算法的BP神经网络、组合预测等方法进行了介绍,并对其原理、优缺点和具体应用分别进行了详细分析,并指出了短时交通流预测研究的发展方向。     

基于小波分析与隐马尔科夫模型的短时交通流预测

鉴于当前的城市交通拥挤不堪的现状,以及现阶段道路交通流预测时间消耗过长的弊端,将小波分析引入到城市短时交通流预测过程中,结合隐马尔科夫训练,提出一种基于小波分析的隐马尔科夫训练交通流预测模型。文章以新乡市交通局公交汽车数据和出租汽车数据作为数据来源,应用小波分析和隐马尔科夫相结合的预测模型进行预测,随后将预测结果同传统的隐马尔科夫模型所预测的结果进行对比分析。实验表明,本模型预测结果精确,与真实数据更为贴近,同时有效的降低了交通流预测的时间损耗,在短时交通流预测方面更加具有优越性。     

人工蜂群优化BP神经网络在输油管道泄漏检测中的应用

BP神经网络的泛化性能很大程度上取决于模型的参数选择,针对此问题提出基于人工蜂群算法(ABC)的BP神经网络参数优化算法,并将其应用于输油管道的泄漏检测。该方法将BP神经网络的连接权值和阈值一一对应于人工蜂群算法优化问题每个可行解的各维度值,找到问题的最优解,训练出符合精度要求的理想模型。将该方法应用于输油管道泄漏信号的识别,提取管道各类工况下压力信号部分非线性特征作为检测模型训练样本集,建立输油管道泄漏检测模型并进行识别测试,有效提高了泄漏检测的准确率。     

基于BP神经网络的油气管道风险分析评估方法

针对油气管道的风险评估主观性强的问题,提出了一种基于BP神经网络训练算法,应用BP神经网络算法对输油管道进行风险分析评估,得出其风险分析评估模型。仿真实验结果与半定量风险评价结果对比,误差率为0.009 6,证明该方法可用于油气管道的风险评估。     

基于K-means与GRNN的高原山区高速公路短时交通流预测

为了研究可适用于高原山区高速公路短时交通流的预测方法,以及预测方法思路对绩效的影响,提出基于广义回归神经网络（General Regression Neural Network,GRNN）,构建K均值聚类算法（K-means clustering algorithm,K-means）与GRNN混合预测方法思路,即通过K-means和绩效指标判断GRNN模型参数最佳值,进而建立最佳预测模型。与传统上通过经验或一定指标判断模型参数值的思路相比,采用K-means和GRNN混合预测思路得出的模型参数值更佳,且模型RMSE、MAE最高可分别改善45.92%、45.05%,则构建的混合预测方法思路是科学有效的,可为高原山区交通流预测方法优化提供借鉴。     

基于BP神经网络的PGIS空车位数预测建模研究

文章采用BP神经网络对城市停车诱导信息系统（PGIS）中的空余车位数进行预测研究，建立了基于BP神经网络的PGIS空车位数预测模型，并介绍了模型预测的过程和方法。     

改进BP神经网络在边坡稳定性分析中的运用

文章基于BP神经网络的传统算法,提出了数据归一化的BP神经网络改进方法,并结合网络应用案例,通过选取影响边坡稳定性的几种自然因素,利用BP神经网络的非线性映射能力计算得出边坡的稳定安全系数,同时与传统分析方法的计算结果进行对比分析。结果表明,该改进方法能够满足一般边坡工程的稳定性评价要求。     

基于时间序列的航路随机交通流复杂度研究

本文参照数学算法复杂度模型并对其作出改进,建立了基于时间序列的航路交通流复杂度模型,给出了算法复杂度和近似熵复杂度两种模型的算法步骤,在短时和长时两个方面,从管制员的角度分析实时交通流并掌握交通流的复杂度,从而为发出正确的管制指令、合理安排航路流量提供参考。通过运用Matlab模拟经过某航路的航空器速度,仿真生成了两种不同状况下复杂度变化的情况。结果表明,该模型对缓解交通拥挤,分析交通流复杂度具有一定的现实意义。     

基于TE-LSTM组合模型的短时交通流预测

为了提升城市道路智能交通控制和管理的合理性和有效性，从交通流时空特性角度出发，提出基于传递熵（TE）变量选择和长短时记忆（LSTM）神经网络模型的城市道路交通流预测方法。根据传递熵选取与被测对象时空因果关联性强的影响因素，将筛选所得的因素作为输入变量，建立TELSTM组合预测模型。采用自动车牌识别数据对算法进行训练和实验，并与基于随机森林（RF）、递归特征消除（RFE）、前向选择（FA）的LSTM组合预测模型对比。结果表明：TE-LSTM模型对道路交通流的预测准确度最高，交通流量预测的MAPE低于5%，在满足实际交通管理和控制的数据精度要求的同时，降低了预测模型的变量维度和复杂度，提升预测效率。     

基于交叉熵神经网络的沥青路面抗滑性能预测

针对传统沥青路面抗滑性能预测模型的不足及BP神经网络学习效率低的问题,文章采用交叉熵代价函数对神经网络的学习方法进行改进,建立基于交叉熵神经网络的沥青路面抗滑性能预测模型.同时,以某高速公路2014-2020年路面抗滑指标SRI为预测目标,以路面使用年限、年平均交通量、气温、降雨量以及日照时长为考虑因素,建立预测模型,...