基于改进LSTM的高速列车牵引电机轴承温度预测模型

为提高牵引电机轴承温度的预测精度,提出一种基于改进LSTM的高速列车牵引电机轴承温度预测模型。该模型引入窥视孔模块,改进了LSTM网络结构,适应长距离时间序列的牵引电机轴承温度数据,设计两层改进LSTM网络构成隐藏层,减少模型的计算量和训练耗时。选取某动车组的历史运行数据进行测试与分析,与标准LSTM、RNN、GRU、SVR预测模型相比,改进LSTM预测模型的均方根误差和平均绝对百分比误差最低,分别为1.158和2.57%,表明改进模型提高了牵引电机轴承温度的预测精度。     

基于神经网络与马尔可夫链的换道次数预测方法

为在先验数据有限情况下较精确地预测道路换道次数,提出基于神经网络与马尔可夫链的组合预测模型。采集路段区间平均车速和车流密度,采用BP神经网络训练初步拟合模型;运用马尔可夫链方法,进一步给出换道次数在表示高估、正常、低估的3组区间内的分布及概率,改善BP神经网络误差。运用组合预测模型对西安市某道路的换道次数进行了预测分析,结果表明,实际换道次数均在模型给出的较大概率的预测区间内,表明模型能够根据路段区间平均车速和车流密度较好地预测换道次数。     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象,在考虑降雨数据的基础上,设计一个基于非最小路段的行程时间计算方法,建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后,以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明,加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析,发现在满足数据精度的前提下,本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

基于门控深度循环信念网络的边坡沉降预测

本研究针对现有边坡沉降预测模型精度低、无法有效反映沉降值蕴含的时序信息等问题,提出基于门控深度循环信念网络(GDRBN)的边坡沉降混合预测模型。为提高训练效率,引入自适应学习率,并以广佛肇高速公路二期工程为实例,建立多种边坡沉降预测模型,并进行计算比较。研究结果表明:基于GDRBN的边坡预测模型的预测精度比GM、BP、RNN、DBN预测模型的分别提高了69%、54%、38%、26%,可为边坡预测提供更准确的计算方法。     

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.     

��������������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神经网络的交通信息量预测方法

交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求。为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输人数据规模,缩短了神经网络预测时间。最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性。仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考。     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。     

城市公共客运交通碳排放及其大气环境影响的实证研究

为促进交通运输结构优化调整，助力绿色低碳交通高质量发展，本文开展了城市公共客运交通CO₂排放及大气环境影响中长期预测的实证研究。针对全国范围公共客运交通不同运输方式CO₂排放及环境影响的中长期预测方法不清和数据积累不全的问题，构建公共客运交通CO₂排放微观测算模型；综合考虑旅客周转量中长期增长趋势与交通运输行为微观特征，提出基于动态线性增长模型的公共客运交通CO₂排放中长期预测方法；构建基于线性气候响应的大气环境模型交通CO₂排放环境影响预测模型，实现宏观层面全国客运交通CO₂排放大气环境影响的中长期预测。选取城市公共客运交通中的城市轨道交通、传统/新能源巡游出租车、传统/新能源公共汽电车，以及城际长途客运交通中的铁路和民航等几种主要公共客运交通运输方式，对本文所提方法进行实例验证。结果表明，未来10年我国公共客运交通CO₂排放量总体呈上升趋势，民航CO₂排放的体量最大，其排放占比将达到71.72%；公共客运交通...     

基于深度学习的有效停车泊位预测模型

针对传统有效停车泊位预测方法无法刻画泊位前后时刻关联关系的问题,采用基于深度学习的LSTM(long short-term memcry)神经网络对其进行改进,提出了LSTM有效停车泊位预测模型,并基于此模型对不同类型的停车区域进行分析与预测.在构建模型的基础上,综合考虑了有效停车泊位预测的时空特性,选取目标区域内多个邻近停车场的历史停车数据组成数据集,并构建有效停车泊位预测的对比模型,以此检验模型的预测精度.研究结果表明:在不同类型停车区域的有效停车泊位预测中,LSTM模型预测结果与真实值一致性较好,预测精度均高于BP预测模型和ARIMA预测模型;LSTM模型在有效停车泊位预测方面可靠且有效.     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

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．     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于FCD的旅行时间估计算法研究

根据FCD(Floating Car Data浮动车数据)的特点建立基于FCD旅行时间估计的Kalman滤波模型以及BP神经网络模型,运用上述两种模型进行路段旅行时间短时预测,路段平均旅行时间为输入变量,输出预测路段的旅行时间,并用实测数据进行分析验证.结果表明,针对路段短时旅行时间估计,Kalman滤波模型方法的预测精度要优于BP神经网络方法.     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。     

基于LSTM网络模型的高速公路软基长期沉降预测

LSTM网络模型相较于一般曲线拟合方法具有容错性好、记忆功能强等显著优势,可有效识别并保存已有数据中的隐藏信息特征.基于以上优势,构建针对高速公路路基长期沉降预测的LSTM神经网络模型,进一步利用高速公路路基长期沉降特征的时序化特点,基于LSTM神经网络模型对其进行预测,结果表明:所构建LSTM模型可有效表征高速公路路基长期沉降的非线性特征,相比较于指数曲线法而言,其误差低,预测精度较高.     

基于BP神经网络的甘肃省公路客运量预测方法

公路客运是交通科学管理的基础数据,提高公路交通管理水平,对建立平稳高效的道路交通系统具有重要意义。为了提高公路客运量的预测精度,选择与公路客运量相关的三个指标(国内生产总值、公路长度和民用车拥有量),建立了基于BP神经网络的公路客运量预测模型,并对该模型进行了应用测试,与多元线性回归预测模型进行了比较。结果表明:BP神经网络模型具有更高的精度。