基于小波降噪与最小二乘支持向量机的公路软基沉降预测模型

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与BP神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

高速公路雾天能见度预测方法

以多要素气象检测器采集的样本数据为基础,将温度、风速及湿度作为输入变量,雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立了雾天能见度的预测模型;将预测结果与实际数据进行对比分析,结果表明:BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978,支持向量机预测结果的误差更稳定,表明支持向量机更适于处理小样本、非线性、维数灾难和局部极小等问题。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

LS-SVM在连续刚构桥标高误差预测中的应用

针对悬臂施工的连续刚构桥施工过程中标高误差产生的因素多,各因素与误差值之间存在高度非线性关系并属于小样本事件,所以准确的标高误差预测一直成为一项难题.该文利用最小二乘支持向量机,借助Matlab中的工具箱,建立预测模型,对一座大跨连续刚构桥施工中节段标高误差进行预测,并与BP神经网络预测模型进行对比,可知LS-SVM预测结果准确、稳定性优良.     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点。为提高轨道交通短时客流预测结果的准确度，研究了基于改进的灰狼优化算法（IGWO）与BP神经网络的短时客流预测算法（IGWO-BP）。计算轨道交通客流不同时间序列的相关系数，确定了BP神经网络的输入和输出方式；用余弦思想和动态权重策略对原始灰狼优化算法改进，提高算法的全局搜索能力和寻优效率；用IGWO算法优化BP神经网络的初始权值和阈值，提高短时客流预测结果的准确性。预测了西安轨道交通2号线龙首原站周三早高峰15 min时间粒度的短时客流量，并将IGWO-BP算法的预测结果与其他5种模型（KF，GM，SVM，BPNN，GWO-BP）比较。结果表明，IGWO-BP算法的均方根误差为89.65，平均绝对百分比误差为1.16%，预测结果的精度和稳定性均为最优。      

基于BP神经网络的城市轨道交通线网合理规模研究

当下我国城市轨道交通正处于兴旺发展的关键时期，然而我国尚未形成完善的城市轨道交通线网合理规模计算模型和理论，因此有必要深入探究城市轨道交通线网合理规模的计算方法。首先，从国家政策与交通战略、城市经济社会发展水平、城市规模与形态、交通需求与供给等方面，剖析城市轨道交通线网规模的影响因素，提取城镇常住人口、建成区面积、GDP、全网日均客运量、城市轨道交通占公共交通分担率和线网负荷强度6个量化指标。其次，利用我国21座城市的历年城市轨道交通线网规模影响指标数据，构建基于BP神经网络算法的城市轨道交通线网合理规模计算模型。最后，以上海市、深圳市、重庆市、长沙市和南宁市为例，应用该模型对五市2035年的线网合理规模进行预测，以期为我国城市轨道交通线网规划提供科学的依据，促进我国城市交通可持续发展。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。     

BP神经网络在公交智能化调度中的应用研究

应用BP神经网络自动生成公交线网的调度方式,研究了公交线路上各站点的客流量统计和预测方法,将BP神经网络与城市公交系统紧密结合,确定了输入变量的构成、变量数据的获取,输入量和输出量的对应关系及实现从输入到输出的对应关系.应用BP神经网络算法确定智能化调度中变量转化,最终自动生成正班车、快车、区间车、准点控制和放车调度等5种调度方式,结果表明采用BP神经网络的结构和方法能够更好地反映城市公交调度层次与模式,是一种研究城市公共交通智能化调度的最有效方法.     

面向运营管理的多粒度省际客运需求预测方法

客运量是表征省际客运需求,开展行业运营管理的基础指标.为增强省际客运行业运营管理水平,提高旅客出行效率和应急保障能力,建立面向省际客运运营管理的年客运量和节假日客运量的多粒度预测模型.在影响因素与省际年客运量关联度分析的基础上,构建基于BP神经网络的年客运量预测模型.考虑特殊节假日的影响特征,提出了指数平滑与季节模型相结合的节假日客运量组合预测模型,实现节假日总客运量、日客运量的预测.以北京的实际数据为例,对预测模型进行精度验证.结果表明,年客运量预测模型的平均相对误差为0.15%,春运期间每日客运量预测模型的平均相对误差为6.7%,能较好地体现客运量在不同阶段的变化趋势,具有良好的稳定性.      

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

DEA方法在城市客运换乘枢纽评价中的应用研究

通过对城市客运换乘枢纽进行分类和定位分析,指出换乘枢纽服务效率的优劣将直接影响到城市交通的运行效率。从定性和定量两个方面入手,建立切实可行的客运换乘枢纽评价指标体系,引入DEA模型,对城市客运换乘枢纽的服务效率进行有效性评价分析,通过对评价结果的对比分析,可对换乘枢纽在规划、布局、换乘衔接、交通组织等方面存在的问题进行有针对性的改善。通过在实际工程中的应用表明,DEA方法在评价客运换乘枢纽效率的过程中具有较强的可操作性。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

城市轨道交通网络化运营协调性模糊评价

运营协调性评价是衡量城轨交通网络系统运营组织效率的重要途径。从网络系统整体、客流、运营计划、换乘枢纽等多个方面分析影响协调性的关键要素,建立网络化运营综合协调的评价体系。应用模糊评价策略,针对指标类型及特点,对轨道交通网络实例利用系统生成的协调方案评判,分析不同运营条件下改善协调的途径。