基于遗传算法的BP神经网络短时交通流预测

对BP神经网络模型、方法及遗传算法的基本原理进行了分析,将遗传算法与标准BP神经网络算法相结合构建了基于遗传算法的神经网络算法;建立了基于BP神经网络的短时交通流预测模型,对BP神经网络算法及基于遗传算法的BP神经网络算法进行设计,并将其应用于短时交通流预测模型的仿真计算,仿真结果表明基于遗传算法的BP神经网络算法具有更快的计算速度及更好的适应能力,该方法可以较好地应用于短时交通流预测。     

基于PSO-LSTM算法的智能交通流量预测研究

交通流量本身具有很强的不确定性,复杂、多变,容易受到随机因素的扰动,并且规律性不明显。随着不同预测方法的引入,对短时交通流的预测也出现了许多预测模型。长短期记忆模型擅长于处理和预测时间序列中具有时间间隔和延迟相对较长特征的重要事件。粒子群算法是一种通过模拟鸟群捕食行为设计的随机优化技术。本研究引入粒子群算法优化长短期记忆模型,使用昆明市某个路口断面所采集的过车数据作为训练集和测试集。本研究使用matlab软件进行上述模型的建模和预测,使用均方误差模型进行预测模型的误差分析。结果表明,引入粒子群算法优化模型后,预测误差降低60%,PSO算法优化LSTM模型能够更为准确的预测交通流量。     

基于XGBoost的城市轨道交通短时客流预测

城市轨道交通短时客流量具有随机性、周期性、相关性的特征,而短时客流预测作为城市轨道交通运营组织优化的关键技术,其预测数据的准确性将直接影响城市轨道交通运营组织的合理性。本文在分析城市轨道交通客流时间分布特征的基础上,提出了使用随机森林和XGBoost预测模型,对工作日和周末的客流分别进行预测,并以杭州地铁日均客流量最大的火车东站地铁站的进站客流为例进行实例分析,得到的预测数据与真实数据误差较小,验证了模型的有效性。最后将两种模型的预测误差进行对比分析,结果表明XGBoost预测模型对城市轨道交通客流的短时预测有着更高的精度和准确度。     

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM（支持向量机）模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明：(1)误差对比：当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。(2)预测精度：组合模型>BP神经网络>SVM,组合模型的平均绝对误差（MAE）提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。     

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。     

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。     

时空特征深度融合下的城市轨道交通站点客流预测

探索挖掘URT站点客流时空特征并精准预测运营高峰期的站点客流，对提高URT系统客流组织效率、保障乘客出行安全具有重要意义。针对传统模型对于时空特征挖掘不够以及在多步短时客流预测的精度上有待提升等问题，引入时段相关性及站点关联度以量化客流隐式时空特征，并建立一种结合双层图卷积神经网络（GCN）与门控循环单元（GRU）的dmGCN-GRU短时进站客流预测模型，随后以杭州地铁为例，对工作日数据和非工作日数据分别进行了仿真实验。结果表明，dmGCN-GRU模型能够深度融合时段相关性、站点关联度、站间OD、邻接矩阵等多重时空特征，可在增加一定训练时长的前提下提高预测精度、模型稳定性。随预测步长增加，模型性能虽有所下降，例如工作日数据拟合优度从94.68%降至94.27%，但性能仍优于SVR、GRU、GCN以及GCN-LSTM等模型。     

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神经网络的川气东送管道土壤腐蚀预测

通过现场埋片和土壤理化性质试验确定了影响川气东送管道腐蚀速率的主要土壤因素,对39个试验点的X70钢质试片的腐蚀数据进行分析,构建了X70钢材土壤腐蚀预测模型,利用该模型在BP神经网络中训练、模拟,并运用MATLAB软件对神经网络进行编程,将预测结果与现场X70埋片腐蚀实验结果对比。结果表明:运用BP神经网络可以建立稳定性好的土壤腐蚀预测模型,预测川气东送管道X70钢材在土壤中的腐蚀速率的准确度达到90%以上。     

灰色BP网络串联式组合模型在铁路客货运输量预测中的应用

针对铁路客货运输量发展趋势的研究,建立一种基于灰色理论和BP神经网络的串联式组合预测模型。该模型首先用同一组数据序列建立不同参数的灰色方程,然后用各灰色方程分别预测,最后将各灰色方程预测的结果进行BP神经网络非线性组合,形成串联式组合预测模型。对湖南省铁路客货运量进行分析预测,结果表明:该组合模型预测的准确性高于单独使用灰色模型的准确性,是一种可靠有效的预测方法。