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.     

交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

基于BP神经网络的综合运输网客流量分析模型研究

交通方式的各属性对旅客的出行效用都有不同程度的影响,并且它们之间存在着复杂的非线性关系．难以确定具体的解析表达式。在综合分析运输体系中多种交通运输方式及出行者交通选择行为的基础上,将BP神经网络理论和随机理论应用于城市间多种运输方式的客流量分配问题,从而构造出相应的数学分析模型,实例验证该模型具有良好的可行性和有效性。     

碳达峰视角下的机场航空器碳排放预测

机场的航空器碳排放是民航碳排放的主要来源之一,早日实现机场航空器碳排放达峰有 助于加快推进绿色民航建设。以厦门高崎国际机场为例,首先采用改进的ICAO方法测算了2019 年机场航空器碳排放量;然后,运用情景分析与蒙特卡洛模拟方法预测了厦门机场航空器碳排放 达峰可能性、峰值与影响因素。结果表明：2019年厦门机场航空器在起降循环阶段共产生碳排放 33.8万t,2035年碳排放最多可达45.3万t;在绿色发展和技术突破情景下,2035年前均可实现航 空器碳排放达峰,且技术突破情景下达峰更早、峰值更低;航空器滑行时间和生物燃油替代率是 碳达峰的最重要影响因素;机场可从优化场面运行、加强规划引领等方面减少机场航空器碳排 放,实现机场航空器碳排放顺利达峰、早日达峰。     

基于分段学习的BP神经网络的交通流量预测

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳方案,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。本文采用改进型BP神经网络建立起交通流的时间序列模型,该模型可用于短期内道路交通流量的预测。     

图神经网络在交通预测中的应用综述

为寻求提升交通预测时空计算任务性能的有效途径,探索图神经网络技术在交通预测中的应用前景和挑战,回顾了交通预测方法的发展,总结了模型驱动方法、统计模型、传统机器学习方法和深度学习方法的优势和局限性;阐述了图网络和交通网络的适配性,归纳了图的构造方法;将应用于交通预测的数据进行了分类,分析了不同交通预测任务的共性与差异;归纳了常用于交通预测任务的图神经网络模型,包括卷积图神经网络、图注意网络、图自编码器和图时空网络,分析了图神经网络模型应用于交通预测时主要考虑的因素和时空模块;对比了多种交通速度预测方法的性能,分析了图神经网络框架中不同组件对其预测性能的影响;从数据多源性、应用多样性、多模式、动态性、模型可解释性、不确定性和小样本学习等多个角度探讨了基于图神经网络的交通预测面临的挑战和机遇,并针对图神经网络发展趋势提出了相关建议。研究结果表明：与只考虑时间相关性的基准模型相比,基于图神经网络的预测方法性能显著提升;多模式时间相关性、时空注意力机制、边特征、外部数据均会显著影响预测性能;图神经网络为建模交通网络复杂动态的时空相关性提供了有力手段,目前针对交通状态预测问题开发了多样化的模型;未来研究可重点从设计高效的动态时空模块集成架构、设计有效整合外部数据的模块、拓展多样化的应用任务、实现多模式交通同步预测、开发高效可靠和易于解释的模型等方面进行突破,实现预测准确性和效率均衡提升,以期发展更高阶段的智慧交通。     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

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SVR的区域交通碳排放预测研究

基于STIRPAT模型,选择旅客周转量、货物周转量、人均GDP、机动车保有量、碳排放强度、能源结构和城市化率7项指标作为我国区域交通碳排放影响因素,建立基于支持向量回归机的碳排放预测模型,并以1990-2016年北京市交通碳排放相关数据为基础数据做实例分析.结果表明：训练样本交叉验证均方误差仅为 0.008 040,得到参数C和γ的最优值;模型预测值与真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.984 2和0.995 0,即模型具有良好的学习和推广能力;未来区域交通碳排放增长趋势逐渐变缓,但总量将继续呈上升趋势,社会仍然面临较大的温室气体减排压力.     

基于BP神经网络的浙江省交通发展预测问题研究

基于BP神经网络研究了多因素的交通预测问题。通过分析影响交通指标预测值的15个因素信息，预测到2015年浙江省公路总里程为94984b，其中高速公路总里程为4533km，对今后浙江省交通发展规划具有一定的指导意义。     

基于多周期组件时空神经网络的路网通行速度预测

针对当前路网通行速度预测方法存在的中长周期预测准确性和稳定性不足、自适应路网拓扑空间关系建模能力有待进一步提升等问题,以多尺度卷积算子及门控循环单元为核心单元,提出一种面向路网通行速度预测任务的多周期组件时空神经网络模型。首先,根据路网交通感知数据的周期特性,将其规约为周、日和近期这3种不同粒度的时间-空间-特征三维矩阵,并输入至3个共享网络结构的周期组件。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个路网节点的时序特征使用门控循环单元提取交通数据长时依赖关系,引入残差学习框架,提高网络训练效率并防止梯度弥散。最后,自适应加权融合通过预测卷积层的每部分周期组件预测结果生成预测时段内路网交通通行速度。为验证所提方法的有效性,基于两个公开的交通状态数据集进行实验分析,并选取当前主流的深度神经网络模型作为对比基线模型。结果表明,所提方法在可接受的执行时间内,在两个数据集上平均绝对误差、平均平方误差和平均绝对百分比误差分别为 2.55、3.94 和 10.75%,1.57、3.52和3.44%,在预测准确性与中长时多步预测稳定性方面均优于其他基准方法。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

大型循环流化床底部区域颗粒浓度波动研究

在内径400 mm、高9 100 mm的大型冷态循环流化床实验装置上利用光导纤维探头研究底部区域颗粒浓度的波动行为,并采用统计方法和功率谱分析了浓度波动.结果表明,正常流化条件下,颗粒浓度标准偏差在径向上随r/R的增大而增大,而随轴向位置的增高而减小;标准偏差随颗粒循环速率的增大而增大,而随表观气速的增大而减小.分析颗粒浓度波动的功率谱发现,主频不明显,0～10 Hz范围内振幅较大.实验结果为循环流化床装置的设计、数值模拟和工程放大提供了一定依据.     

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。     

基于小波神经网络的海流预测模型

海流是一种重要的海洋水文学要素,由于海洋环境恶劣复杂,海流监测仪器有时会由于不可预知的原因而发生故障,从而导致在一段时间内宝贵的海流数据的缺损。文中将小波神经网络和多种神经网络模型运用于短时海流数据的预测,并与实际海流数据进行比较,以达到缺失数据智能补漏的目的。计算机仿真结果表明,相比于单独的神经网络模型,小波神经网络在数据精度和稳定性方面可达到更高的要求。     

基于RBF神经网络的城市互通立交短时交通量预测

根据实测数据,分析了城市互通立交交通流运行特性,研究了城市互通立交主线总交通量、交织流量比和第2车道大型车比例3种因素对合流区端部交通量的影响,应用神经网络原理建立了输入层为3个神经元,输出层为1个神经元的RBF神经网络,研究了该RBF神经网络的训练算法,应用实测数据进行了网络训练,对训练后的网络进行了仿真.仿真输出结果与实测数据之间的误差很小,证明应用RBF神经网络对互通立交合流区的短时交通量进行预测是一种可行的方法.此研究为分析互通立交内各功能区之间的相互影响,为研究互通立交桥的预先控制和运行状态分析提供了理论参考.     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度, 分析了离散的高速公路动态交通流数学模型, 基于Elman网络原理, 建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2, 采用Levenberg-Marquardt算法对回归神经网络进行训练, 并对一条5路段的高速公路进行仿真。结果表明: 回归神经网络平均相对误差为8.683 7×10^-5, 最大相对误差为4.237 1×10^-4, 与BP神经网络和RBF神经网络相比较, Elman回归神经网络能更好地逼近交通流数学模型, 真实地描述交通流基本特性, 能准确地建立动态交通流模型, 适应交通状况的变化。     

基于神经网络的静态交通发生率预测方法

静态交通发生率模型是停车需求预测中较为常用的一种方法,但是,关键指标——静态交通发生率一般难以确定,尤其是它的未来年值;而静态交通发生率的大小又受到多种因素的影响,为了实现对其未来年值的预测,本文分析了影响静态交通发生率的主要因素,采用了具有处理“灰色”、复杂问题的有力工具——神经网络BP算法,提出了以国民生产总值、机动车保有量、用地类型、城市人口和城市面积为输入层节点,静态交通发生率为输出节点的BP计算模型;最后,选用四个城市的停车调查数据来进行神经网络训练、预测。训练模拟结果良好,表明该方法能够比较成功地应用于静态交通发生率的预测。