基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

基于城市路口相关性的交通流量预测

利用主成分分析方法对路网中各路口的交通流量进行了相关性分析，构建了相关路口集，提出了根据相关路口集的交通流量预测本路口流量的思想．给出了用于预测的神经网络模型、具体算法和评价标准。在比较精确的训练样本基础上对网络进行了训练，测试了训练后的网络性能。实验表明，采用基于城市路口相关性进行交通流量预测具有满意的准确性和较好的鲁棒性。     

基于Matlab的高速公路交通流 RBF神经网络建模

通过对高速公路宏观动态交通流模型的分析,提出用Matlab神经网络工具箱建立了交通流RBF模型,讨论了RBF网络设计过程中的参数设置,仿真结果表明了RBF模型的有效性.由于Matlab提供的RBF的实现算法具有自适应确定网络结构和无需人为确定网络初始权值的优点,因此减少了网络训练的随机性,提高了训练精度.     

基于MPSO-RBF的公路货运量预测方法研究

在分析公路货运量的影响因素和预测特点的基础上,将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,建立了基于改进PSO算法和RBF神经网络的公路货运量预测模型(MPSO-RBF).利用某城市的历史数据对预测模型进行了训练、测试与仿真,同时将仿真结果与回归分析法、灰色理论法、BP神经网络和RBF神经网络预测的结果进行了比较,结果表明文中提出的预测方法精度较高,对于公路货运量预测具有一定的可行性和有效性.     

火灾工况下公路隧道通风智能控制模型研究

为研究公路隧道火灾工况下的智能通风控制方法,以某隧道右线为研究对象,进行如下研究：1)探索RBF神经网络模型的适用性、网络组成与训练过程,并结合工程实例通过经验公式得到火灾规模与临界风速的关系;2)计算获取51组随机工况下不同火灾发生规模、火灾发生位置、隧道交通量下的风机开启台数数据;3)利用径向基RBF(Radial Basis Function)神经网络算法进行模型训练,共设置30组训练数据与21组检验数据进行预测精度验证。工程实例预测结果表明：1) RBF神经网络算法训练组与检验组的相对误差分别为4.6%与8.7%,预测精度在预设阈值范围内;2)构建的火灾工况下,公路隧道风机智能控制模型有助于提升公路隧道营运期安全水平。     

CS优化BP神经网络的高速公路流量预测

随着高速公路交通控制和出行诱导需求的日益增加,对高速公路交通流量的预测提出了更高的要求。为了提高预测的精度,提出了改进的布谷鸟搜索(cuckoo search,CS)算法优化BP神经网络的高速公路流量预测模型(Weighted value of T dynamic disturbance CS-BP,WTCS-BP)。利用高速观测站的信息采集系统收集车流量信息;离散为时间序列,构建学习样本;利用BP神经网络对采集的样本进行训练,并采用改进的CS算法对网络参数进行优化;建立高速公路交通流量的预测模型。最后通过仿真实验进行测试。结果表明,该模型的拟合度较其他对比模型更接近实际流量。提高了预测的准确性,对高速公路出行起到有效的指导作用。     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

基于深度学习的时空交通流预测算法

在智能交通系统中,准确地预测交通流量对优化交通管理和提高城市整体流动性起着至关重要的作用。随着深度学习技术的广泛应用,人们对交通流时空特征提取展开了深入的研究。本文提出了一种基于图卷积网络和Transformer的交通流预测算法,利用深度学习算法的强大功能来捕获交通动态数据中固有的复杂的时空模式。首先,通过时空图卷积网络提取空间特征;其次,通过Transformer动态地提取全局时间依赖关系;最后,为了验证该算法的性能,我们在真实交通数据集上进行了大量实验,结果表明该算法的预测准确性优于对比模型。     

基于GRU-RNN模型的交叉口短时交通流预测研究

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度(R~2)为0.962,最接近1,稳定性最好,均方根误差(RMSE)为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。     

基于改进的RBF神经网络的高速公路交通事件检测

根据高速公路有交通事件发生时交通流将产生突变这一原理,采用改进的径向基函数(RBF)神经网络研究高速公路事件检测问题。分析交通流参数在有交通事件发生时的变化规影影响神经网络泛化能力的同时,加入多余节点的删除和合并策略,从而得到精简的网络结构。采用自适应学习方法进行隐含层节点的调整,使网络在不同的训练阶段能够自动选取不同的学习速率。仿真试验表明,该改进算法在高速公路交通事件检测中具有检测率高、学习速度快等优点,具有良好的应用前景。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于路段交通量的趋势增长--概率分配路网交通量预测方法

结合中国西部地区路网的现状,以路网中各路段的历史交通量调查数据和区域经济资料为依据,利用多元回归模型对路网的正常交通量进行预测;以现状路网正常交通量为基础,利用概率分配法对新建或改建路网的转移交通量和诱增交通量进行预测,形成基于路网路段交通量调查资料的趋势增长———概率分配路网交通量预测方法。该方法继承了个别推算法的优点又摈弃了总量控制法的缺点,可操作性强,适用于西部地区的路网。     

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示：(1)改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;(2)以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;(3)相比反向传播（BP）神经网络...     

区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。     

基于径向基函数神经网络的GPS高程转换方法

针对GPS高程与正常高程的转换问题，给出了基于径向基函数（Radial Basis Function，RBF）神经网络的模型。该模型隐含层选用Gauss函数作为基函数，学习算法采用自组织选取中心法策略。用实际观测数据进行了试验和仿真，结果表明，用RBF神经网络转换GPS高程的精度优于最小二乘法。对RBF神经网络方法和反向传播（Back-Propagation，BP）神经网络方法转换GPS高程的精度进行了比较，虽然两种方法的结果相近，但RBF神经网络方法在学习速度方面远比BP神经网络方法快。由此可见，RBF神经网络方法用于转换GPS高程是可行和有效的。     

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.