基于云遗传算法优选的SVR交通量预测模型

针对城市主干道交通流量的实时变化和波动性特点,利用支持向量回归机(support vector regression,SVR)进行城市主干道短时交通流量预测.为了优选SVR模型参数,基于混沌logistic 映射和云自适应机制对标准遗传算法进行改进,建立了基于混沌云自适应遗传算法(chaos clouds adaptive genetic algorithm,CCLGA)进行SVR参数优选的CCLGA-SVR城市主干道短时交通流量预测模型.综合考虑了短时交通量各个影响因素,结合实测数据进行了实证预测分析,仿真结果表明文中提出的预测模型精度较高,寻优速度较快,可有效应用于城市主干道短时交通流量预测.     

基于加速混沌优化算法的支持向量机参数选择

针对支持向量机参数选择问题, 以惩罚系数、不敏感系数和RBF核函数中的宽度系数为优化变量, 采用Chebyshev映射代替Logistic映射产生初始混沌序列, 改变原有的搜索公式及增加3次载波, 提出了一种改进的加速混沌优化算法(ISCOA)。将该算法应用于人工数据集和实际数据集中, 并与常规的交叉验证法进行比较。试验结果表明: 在人工数据集中, 采用ISCOA在时间上缩短了至少23.43%, 精度上提高了至少6.31%;在实际数据集中, 预测值更接近实际值, 相对误差均控制在3.13%以下, 该算法具有较高的预测精度和寻优效果。     

基于Gaussian-支持向量回归机的高速公路短时交通量预测

针对高速公路短时交通量的实时性、波动性和非线性的特点,将支持向量回归机(SVR)应用于高速公路短时交通量预测,并采用Gaussian损失函数来代替ε-不敏感损失函数,对原始序列进行降噪处理,为了更好的优选SVR模型参数,采用遗传算法(GA)进行参数优选,建立了基于GA优化的GA-Gaussian-SVR高速公路短时交通量预测模型,将本路段前几个时段交通量、天气因素和出行日期作为影响因素输入,结合实例进行了仿真预测.结果表明该方法可有效应用于高速公路短时交通量预测.     

交通量预测的支持向量机回归法

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点．一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型经实践证明能够较好地解决道路交通量预测问题。     

基于混沌理论和神经网络的交通量预测

针对目前交通量预测不能很好地满足智能交通管理需求的现状,分析交通量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出北京环路上某车道交通量预测的实例,结果显示基于混沌时间序列分析的神经网络交通量预测在数据动力特征刻画及误差控制上有显著优势。     

基于复Morlet小波SVM的负荷预测

为提高预测精度和克服支持向量机(SVM)凭经验选择参数的不足,针对小波擅长信号细微特征提取和云遗传算法(CGA)良好的全局寻优能力,构建了以复Morlet小波为核函数、以CGA为参数优化算法的SVM--基于CGA的复Morlet小波SVM (CGA-CMW-SVM).针对短期负荷预测,为降低系统复杂性,克服负荷数据信息不完备、不精确的问题,仅仅利用了负荷的历史数据而不考虑气象和节假日等因素,在分析负荷时间序列混沌特性的基础上,对负荷数据进行相空间重构,并以相空间矢量作为CGA-CMW-SVM的输入,提出了短期负荷预测的新方法.仿真结果表明,该方法平均误差和最大误差小,平均误差在1.340 0%以内,最小误差为1.008 7%.     

两种基于遗传算法的交通量预测方法

结合实例予以验证、分析比较的结果说明,采用遗传算法(GA)与遗传神经网络(GANN)方法建立交通量预测模型,其预测精度高,操作简单,可以用于道路交通量的预测研究。     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

基于EMD与SVM的风电功率短期预测

由于风电存在着不确定性,风电功率预测对于接入大量风电的电力系统意义重大.为了提高风电功率的预测精度,本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型.考虑到风力机组的输出有很强的非线性,该模型首先将训练数据按风速大小分成高、中、低3组,然后对各组的风电功率样本序列进行经验模式分解,并建立各个频带分量的支持向量机预测模型,各模型的预测结果等权求和即得到最终的功率预测值.使用风电场现场采集数据的预测结果,验证了该方法的可行性和有效性.     

基于特征选择和SVM参数同步优化的网络入侵检测

为了提高网络入侵检测正确率,利用特征选择和支持向量机（SVM）参数间的相互联系,提出一种特征选择和SVM参数联同步优化的网络入侵检测算法.该算法首先将网络入侵检测正确率作为问题优化的目标函数,网络特征和SVM参数作为约束条件建立数学模型,然后通过遗传算法对数学模型进行求解,找到最优特征子集和SVM参数,最后利用KDD 1999数据集对算法性能进行测试.结果表明,相对于其他入侵检测算法,同步优化算法能够较快选择最优特征与SVM参数,有效提高了网络入侵检测正确率,加快了网络入侵检测速度.     

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.     

����֧���������ع�ĺ�������Ԥ���о�

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型。首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大Lyapunov指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能。结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误。     

支持向量机在道路交通事故预测中的应用

通过对道路交通事故相关指标的分析,选取万车死亡率、十万人口死亡率作为指标集合,建立的基于支持向量机的道路交通事故预测模型,经10年的道路交通事故相关数据的训练和测试,其准确性得到了验证。     

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大 Lyapunov 指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.     

基于支持向量机的短时交通流预测方法

在介绍智能交通系统的特点和相关技术的基础上，SVR算法被用来处理短时交通量预测问题。实验证明，支持向量机在交通系统中的应用具有可行性、有效性和广阔的前景。     

驾驶人分心状态判别支持向量机模型优化算法

驾驶人分心状态判别是分心驾驶预警系统的重要基础.建立以径向基为核函数的 驾驶人分心状态判别SVM模型,采用遗传算法(GA)优化SVM模型惩罚参数C和核函数参数 g,并利用模拟驾驶器实验平台采集的驾驶绩效数据对模型进行验证.结果表明,采用GASVM 模型能够准确识别自由流和拥挤流场景下驾驶人分心状态,判别精度分别为94.5%和 96.3%.与决策树C4.5 和交叉验证(CV)-SVM对比表明,GA-SVM在准确率、精准率、召回率和 F1值等模型性能方面均优于其他2 种方法.本文建立的模型能够有效地判别驾驶人分心状态, 可为驾驶人分心预警系统和分心控制策略提供依据.     

基于支持向量机的桁架桥可靠度评估

针对桁架桥结构极限状态方程一般难以显式表达的特点,提出基于支持向量机的桁架桥可靠度评估方法。通过抽样,采用桁架桥有限元计算,利用支持向量机的非线性映射和泛化能力,建立随机变量与结构响应之间的函数关系,模拟结构极限状态方程,采用优化算法计算桁架桥可靠指标。研究表明:该方法对于评估桁架桥可靠度具有较高的计算精度,但随车辆荷载随机变量的离散性增加,桁架桥的失效概率显著增大。     

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.