道路交通事故的神经网络预测方法研究

指出了预测对道路交通安全性的重要意义以及传统预测方法存在的缺陷;运用神经网络建立时间序列的道路交通事故预测方法,克服了传统预测方法必须事先构造函数的不足之处。分析表明, 该方法的预测精度较高。     

基于径向基函数神经网络的交通事故预测

基于径向基神经网络强大且准确的非线性关系映射能力,将其应用于交通事故预测中,获得了较高的预测精度。同时,与BP神经网络预测结果的对比表明,径向基神经网络预测方法明显优于BP神经网络预测方法。     

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

遗传算法优化的RBF神经网络模型在公路隧道群交通事故微观预测中的应用

本文根据构建的遗传算法优化的RBF神经网络模型,提出了公路隧道群交通事故微观预测方法,对以任意断面为中心的单元长度内的交通事故率进行合理预测,为公路隧道群事故多发点的鉴别及预防管理措施的制定提供理论支撑。最后,以西汉高速公路隧道群区段为例,以调研所得的交通事故微观预测模型参数基础资料,运用本文构建的预测模型进行工程实践应用分析,同时与传统的RBF神经网络预测结果进行对比,分析说明遗传算法优化的RBF神经网络预测模型的科学性及可行性效果良好。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性.另外,计算结果表明基于主成分分析(PCA)的BP神经网络法优于BP神经网络法.     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性。另外,计算结果表明基于主成分分析（PCA）的BP神经网络法优于BP神经网络法。     

基于BP神经网络的沙漠公路交通事故预测模型

介绍人工神经网络理论,论述BP神经网络的模型结构与原理,利用BP神经网络构建了交通事故预测模型,用MATLAB语言编写了相应的程序,并给出了模拟与预测的结果。模拟结果表明,构建的BP神经网络预测模型是成功的、有效的。     

基于组合预测理论的交通事故预测研究

提出一种适用于道路交通事故预测的组合预测模型。实例计算分析表明组合预测比单一预测技术的预测效果更好,在交通事故的预测问题方面具有一定的应用价值。     

道路交通事故宏观预测模型

道路交通安全已成为全社会普遍关注的问题,为了对中国未来的交通安全形势作出科学准确的预测,分析了中国道路安全状况的评价指标和主要影响因素,以交通事故死亡人数作为评价指标（输出变量）,以机动车保有量、公路里程、人均GDP为输入变量（影响因素）,建立了基于遗传算法的神经网络道路交通事故宏观预测模型和BP神经网络预测模型．模型的训练利用1978～1998年的道路交通事故数据为样本;模型的检验利用1999～2004年的道路交通事故数据进行检验．模型对未来年份的死亡人数进行了预测．预测结果表明：基于遗传算法的神经网络模型比BP神经网络预测精度较高,网络泛化能力强;得出2010年和2020年中国的道路交通事故死亡人数值分别为13．9万人和16．7万人．     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

基于BP神经网络的人口预测方法研究

对人口数量的准确预测可以为制定社会经济可持续发展计划提供重要依据.文中将BP神经网络应用于人口预测,采用Matlab的神经网络工具箱函数建立神经网络预测模型,运用该模型对2002年至2015年全国乡镇人口中0~17岁年龄段的人口进行了预测.实践证明,该模型编程简单,还能克服常规语言建立预测模型存在的模型复杂、训练时间长等缺点.     

基于递归神经网络的预测模糊控制

为提高控制信息与实时状态的适应性，改善模糊控制品质，用传统模糊控制策略，根据当前时刻误差和预测误差变化值，预测下一时刻的控制输出和系统在未来时刻的误差,用递归神经网络预报系统未来输出值的功能，采用双系统交替控制模式．系统中包含1个模糊控制器和1个递归神经网络，一个工作，另一个学习，使控制系统具有自适应性．仿真结果表明，与常规模糊控制相比，预测模糊控制使超调减小，调节时间缩短．     

基于模糊神经网络的信息系统安全风险评估研究

采用改进的模糊AHP构建模糊综合评判中的权重集,克服了传统AHP的不足;将模糊综合评判的数据作为样本,利用人工神经网络强大的自适应能力与非线性映射能力,获得专家知识、主观判断以及风险因素对系统的影响程度,从而对信息系统进行安全风险评估,降低了评判过程中的随机性和专家主观上的不确定性.通过实例说明了方法的应用,并借助误差分析和相关性分析检测了模型的有效性.     

基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

基于模糊神经网络的结合部匝道控制方法研究

针对高速公路与关联城市快速路（简称结合部）路段拥堵日益严重的现状,从匝道控制影响要素分析入手,基于模糊控制和神经网络思想,本文提出了以主线交通状态与期望状态差值和匝道交通状态为输入变量,以匝道调节率为输出变量的模糊控制方法. 同时针对结合部路网互通式立交设计的实际情况,分单匝道控制和双匝道控制两种情况进行了分析,提出了相应的匝道控制方法,并建立了5层模糊神经网络控制模型. 最后以北京京津塘高速公路与北京三环和四环关联城市快速路为案例,对建立的模型进行效果验证,结果证明了所建立方法的有效性.     

基于模糊灰色关联神经网络的综合故障诊断方法研究

考虑到灰色关联诊断中模式向量各参数量纲不同,数量级存在差异,且各种特征因子有各自的应用缺陷,通过将模糊理论和灰色关联度相结合.形成所提取故障特征值的模糊关联度,将模糊关联度作为神经网络的输入量进行故障种类的识别,提出了模糊灰色关联神经网络故障识别方法,实现了针对在不同工作状态下的故障识别.对舰船主动力系统故障进行实例诊断研究,诊断结果表明,该方法准确、有效.