改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

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。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

基于BP算法的交通流预测

探讨了基于人工神经网络的数据挖掘技术,对标准的BP算法进行了研究;针对现有人工神经网络中BP算法效率较低、容易陷入局部极小等问题,提出了一种改进的BP算法,并进行了分析测试。测试结果表明,改进的BP算法缩短了学习时间,提高了学习效率,在一定程度上避免了学习中局部极小问题的出现。     

基于改进BP神经网络的柴油机故障诊断研究

根据柴油发动机故障与征兆之间关系来建立一种采用BP算法前馈型神经网络结构,然而采用标准BP算法对神经网络训练进行训练,但存在收敛速度慢等问题。因此,又采用添加动量项和自适应学习速率两种方法对标准BP算法进行改进,并将改进的BP算法运用于神经网络训练,结果表明改进的BP神经网络能够改善收敛速度慢的缺点,而且预测故障效果较好。     

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。     

BP神经网络在通道交通流预测中的应用探索

利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。     

基于改进BP神经网络的智能车纵向控制方法

针对传统PI控制在车辆速度跟踪过程中参数固定且不易整定的问题,提出了一种基于改进BP神经网络的智能汽车纵向控制方法。分别构建驱/制动模式下的BP神经网络,针对BP神经网络初始参数选取困难及反向自学习存在梯度消失等问题,利用粒子群算法和批处理归一化方法对BP神经网络进行改进,最终实现PI控制参数的动态自整定。通过Carsim/Simulink联合仿真与实车测试对该方法进行了验证,结果表明：相比于传统PI控制,所提出的纵向控制方法在实现基于误差快速调整参数的同时提高了车辆纵向控制精度。     

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ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费（electronic toll collection,ETC）门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制（attention）和双向长短期记忆（bidirectional long/short-term memory,BiLSTM）神经网络组成的Attention-BiLSTM（A-BiLSTM）组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明：①相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差（root mean square error,RMSE）分别降低了73.3%和49.1%,平均绝对误差（mean absolute error,MAE）分别降低了76.0%和56.3%,预测效果好,可应用于实际的交通运营管理。②相比于未引入注意力机制的BiLSTM,A-BiLSTM组合模型的RMSE降低了41.9%,MAE降低了46.0%。③A-BiLSTM组合模型在5 min的时间粒度下表现最好,与输入数据时间粒度为10,15 min情况下所构建的模型预测误差相比,RMSE分别降低34.5%和42.1%,MAE分别降低39.9%和46.3%。     

基于改进BP神经网络的车轮定位参数动态测量

结合人工神经网络(ANN)技术，提出了基于改进的BP神经网络的车轮定位参数动态测量方法，编制了相应的程序，并进行了试验验证。结果表明，通过将车辆前进时的侧滑量作为已训练好改进BP神经网络的输入，根据网络的输出值可以有效地识别出车辆行驶时的车轮外倾角与前束值，从而实现在侧滑试验台上对车轮外倾角和前束值的测定，并依据测定结果有效地指导检修人员进行车轮外倾角与前束值的调整。     

基于改进BP神经网络的隧道位移反分析研究

通过LM算法改进的BP神经网络位移反分析理论及数值模拟获得隧道位移反分析模型,基于现场勘测位移数据反演出围岩关键物理力学参数,将反演结果与该隧道区段的岩石试验所得参数进行对比,符合度高达97.3%,说明LM-BP神经网络位移反分析模型能较好地反映隧道中围岩物理力学参数与隧体形变之间的非线性模糊特性。此外,将该反演模型运用到与样本位置相距5m、10m、15m的区段进行力学参数反演,得出模型可靠性较高的区段范围,可在一定程度上通过反分析模型及该区段的岩石力学参数反推工程后续施工的围岩位移变化特征。     

基于改进的灰色BP神经网络的区域物流成本预测

区域物流成本的测量与分析是考察一个地区物流水平的关键问题,合理地计算和预测物流成本可以使各级政府对物流发展采取有效的宏观调控措施。本文提出了适合中国地区的物流成本的较合理的测算方法,以吉林省为例进行了实证分析,并采用改进的灰色BP神经网络模型对吉林省的物流成本进行预测,取得了满意的预测结果。研究表明控制物流成本仍然是振兴区域经济,提高经济效益的源泉。     

融合多相关收费站数据的高速公路交通流预测

经济间的紧密联系使城市群区域间多相关收费站交通数据间存在空间关联,准确描述该联系对提升高速公路交通流预测的精度具有积极作用。然而,由于受诸多不确定性的影响,该关联性难以捕捉和量化。针对这一缺陷,该文提出一种ATGCN-Res GRU深度学习高速公路交通流预测方法。通过结合注意力机制构建高、中、低注意度的3个GCN拓扑网络,并根据各个网络的注意度加权获得空间学习数据,将多相关收费站的联系进行量化和分级;同时,为了避免过平滑问题,将两个GRU(Gated Recurrent Unit)模块通过残差连接,进一步提升算法捕捉时间规律的能力;最后,使用特征融合层和全连接层输出预测值。利用该算法预测广东省某高速收费站的交通流量,试验结果表明：该文提出的方法能够有效提升预测精度,与经典模型多元集成CNN-LSTM、CNN-Bi LSTM和DL-SVR相比,平均绝对误差(E_MAE)分别减小了7.95、4.52、12.88,均方根误差(E_RMSE)分别减小了12.03、6.12、19.05。     

基于自适应模糊神经网络的交通流状态预测

研究交通流状态的分类、识别与预测,建立了基于模糊聚类及模式识别的交通流状态自适应模糊神经推理系统.对大量交通流历史特征数据采用模糊聚类法进行状态分类并进行模式识别,得到系统的原始输入输出数据集.建立交通流状态预测的自适应模糊神经系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内,并进行系统检测和复核.仿真及其检测和复核结果表明系统预测的准确率在 95%以上.     

基于BP神经网络的交通事故预测模型

交通事故预测对于分析现有道路交通条件下交通事故的未来发展趋势及其预防具有重要意义。在进行交通事故统计的基础上，运用BP神经网络理论，建立交通事故预测模型。计算结果表明，该模型较传统方法精度高，可用于交通事故预测。     

基于BP神经网络的模式分类

文章在深入分析基本ＢＰ算法的基础上，采用四层ＢＰ网络，利用误差逆传播方法实现了对模式的分类。     

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.