康定机场高填方地基工后沉降的BP预测

采用Matlab自带的BP神经网络工具箱函数建立神经网络预测模型,并对康定机场高填方地基工后沉降量进行预测。结果表明,所建模型预测与实测吻合较好。     

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

基于改进GA-BP的模糊神经网络在高速公路交通量预测中的研究

科学准确预测运营期高速公路通行量能够对运营决策提供关键性支撑,同时,对高速公路路网建设规划、国民经济评价及投资效益分析也至关重要。人工神经网络算法能够映射高速公路交通量产生与变化的非线性和复杂性规律。为了提高传统BP网络高速公路交通量预测精度,提出了改进算法,通过遗传算法优化网络初始权重,引入峰值理论和模糊算法提高网络模型对较大流量的预测准确度;将优化算法应用于网络模型,建立了基于改进GA-BP的模糊神经网络高速公路交通量预测模型;模型应用于太原市绕城高速公路长风东收费站交通量预测,将预测值与实际统计值进行对比;应用结果验证了改进神经网络模型的有效性和准确性。     

道路交通事故与车速建模

对国外高速公路的事故率与运行车速进行综合分析，阐述高速公路上基于运行车速的预测交通事故率的前期研究方法，在前期研究方法的基础上，将速度和速度两个自变量同时加以考虑，弥补了前期事故率模缺少影响因素的缺陷，并就其影响因素和控制参数展开分析；介绍新的高速公路事故率预测模型，对如何建立交通事故伤亡模型提出建议。     

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。     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

公路平曲线路段大型车运行速度模型研究

从安全设计一致性理念出发,详细分析了驾驶员在高速公路自由流状态下平曲线路段的信息采集处理过程,认为大型车在平曲线路段的曲中点前后两部分运行速度是受不同的线形信息的影响,用大量的实测数据建立了相应的两阶段平曲线路段大型车运行速度统计模型。经过与实测速度对比验证,证明两阶段平曲线运行速度预测模型具有预测精度高、适用范围广的优点。这为利用运行速度制定公路线形设计标准提供了良好的数据支持,同时也为运行速度进行安全一致性审核提供了理论支撑。     

基于BP神经网络的双车道公路运行车速预测模型

在现有双车道公路运行车速预测模型的基础上,利用Matlab工具箱中的BP人工神经网络,根据实验路段的运行车速实测数据,通过反复训练,建立了双车道公路运行车速与平面线形要素之间的神经网络关系,得出一种基于神经网络的新的双车道公路运行车速预测模型,以用于新建双车道公路的线形设计中,在设计阶段考虑交通安全因素,从而提高线形设计的质量。同时,该模型可用于已有双车道公路的运行车速预测,根据预测车速值,对线形设计质量进行评价,并采取相应的改善及预防措施,提高双车道公路线形的安全性。在应用中发现,建立的运行车速预测模型的预测精度较高,具有一定的实际应用价值。     

基于动态改进遗传粒子群-BP的重型车NOx排放预测模型研究

为了降低重型车NO_x排放速率监测控制中OBD设备异常采集数据和数据耦合问题的影响，基于BP神经网络建立了排放预测模型。为了提高预测模型的准确性，引入了遗传粒子群组合算法，并对其进行动态改进，同时利用PCA分析提取数据特征。结果表明：对比传统遗传算法和粒子群算法，动态改进的遗传粒子群组合算法在适应度函数上提升了5.75%和3.37%;与其他9种预测模型相比，动态改进后的遗传粒子群-BP网络在评价指标MASE、RMSE和R²上表现最优，MASE、RMSE分别为0.024和0.033 6,R²为0.951,预测结果与原始数据基本吻合，所建预测模型具有较高的预测准确性。     

基于改进BP神经网络的高速公路边坡稳定性分析

通过引入动量项和自适应学习率对传统BP神经网络预测模型进行改进,建立改进BP神经网络边坡稳定性预测公式,并将其应用于湖南安化某高速公路边坡工程,将其预测结果与传统BP神经网络预测结果和实际安全系数进行比较,分析边坡的稳定性并提出针对性的建议。     

基于GM-GRNN国家高速公路网规模预测研究

通过对国内外公路网规模研究的分析,指出了传统预测方法的不足。针对我国公路网规模预测中样本量少、数据干扰大的特点,首次引入资源承载力和地理特征影响系数概念,在充分考虑各种可量化因素的基础上,提出了GM-GRNN公路网规模预测模型,即是将灰色预测方法和人工神经网络中的广义神经网络相结合的预测方法,充分发挥了GM和GRNN模型的优点,避免了理论误差,检验结果表明,该方法具有较高的精度。最后分析预测出我国国家高速公路网的总体规模。     

基于过程神经元网络与遗传算法的交通流预测

高速公路变通量预测对于高速公路建设和管理具有重要的指导作用。针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。     

高速公路网事故救援站点优化布置模型

通过建立高速公路网救援站的设立原则和基本假设,对高速公路网进行差分,化线为点,采用实际改良的Dijkstra算法进行最短路径计算,并基于贪心算法进行道路节点站桩法筛选,得出1套实际可行的救援站点优化布置模型。此模型考虑了实际高速公路网的特点,计算快速,并对各种拓扑的路网具有普遍适用的特性。     

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。     

基于动态概率神经网络的公路交通事件检测算法

从公路隧道事件及其自身特点出发,依据人工神经网络这一强大的无模型模式分类器,采用人工神经网络算法建立动态概率神经网络（DPNN）事件检测模型：模型采用的输入指标不是单独的交通流参数,而是几个参数的组合,充分利用交通数据中包含的交通事件信息,大大提高算法的性能。     

车用汽油机过渡工况进气流量预测研究

提出了一种基于混合遗传算法的径向基神经网络(HGARBF)的车用汽油机过渡工况进气流量预测模型。首先设计了一种新的混合遗传算法,利用梯度算法每次迭代得到的结果来改进遗传算法的群体,将遗传算法的最优个体与梯度算法的迭代解相比较,选择其中的最优点作为梯度算法下一步迭代的起始点,运用该混合遗传算法进行径向基神经网络参数的优化,改善径向基神经网络不同初始参数对其性能的影响;然后建立了基于HGARBF网络的过渡工况进气流量的预测模型。仿真结果表明,该预测模型优于经典的进气流量平均值模型,为精确及时测试汽油机进气流量提供了新的方法。