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。     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

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.     

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．     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

城市交通流量短时预测的支持向量机方法

提出基于支持向量机的短时交通流量预测模型,对城市交通本身固有的非线性、复杂性和不确定性进行综合考虑。结合实例数据,对基于支持向量机的预测模型和基于BP神经网络的预测模型进行比较。结果表明:基于支持向量机的预测模型模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

基于支持向量回归机的道路交通事故预测模型研究

针对道路交通事故预测具有随机波动性较大、信息量较少和非线性数据序列预测的特点,引入支持向量回归机（SVR）,建立基于SVR的道路交通事故预测模型。通过实例计算,证明基于SVR的道路交通事故预测模型具备非线性、所需数据资料较少、建模简单和计算快捷等优点,同时与RBF神经网络预测模型相比,该模型的预测精度高、泛化能力强,更适用于道路交通事故预测。     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

BP神经网络在解决电力消耗问题中的应用

由于BP神经网络在解决非线性复杂系统中存在很大的优势,以江西省1991—2011年人口、经济和耗电量等数据为研究对象,利用BP神经网络构建耗电量预测模型。模型一利用1991—2009年人口、经济和耗电量等数据作为训练样本,以2010—2011年作为测试样本来验证网络的准确性,再根据历史人口、经济等数据来预测历史耗电量;模型二采用传统的多元回归分析法,对非线性多元函数进行多元线性回归,通过回归模型得到的参数来预测耗电量。结果表明,模型一收敛性较好,所得预测结果绝对误差较小,而模型二传统方法得到的预测结果误差较大,因此,利用BP神经网络预测的结果具有非常大的参考价值,证明BP神经网络应用在电力消耗中的应用是可行的。     

基于神经网络的引线键合质量预测模型研究

针对引线键合质量与其影响参数之间存在非线性、强耦合关系的特点,提出一种基于弹性BP算法的BP神经网络引线键合质量预测模型.通过引线键合工艺过程的分析,提取了影响引线键合质量的工艺参数,采用BP神经网络结构,建立了引线键合质量预测模型.不同算法下的网络训练结果表明,弹性BP算法具有较快的收敛速度和较高的训练精度.仿真结果表明所建模型具有较高的预测精度,能够准确地反映键合质量综合指标的变化趋势.     

用BP神经网络预测下游交叉口进口交通量

城市交通控制系统在进行区域交通协调时,必须提前预测进入下游交叉口的交通量。由于交通流的非线性、不确定性、随机性和离散性,常规数学模型在预测下游交叉口的交通量时存在不少的困难。实践证明,基于BP神经网络的下游交叉口交通量预测模型,结合交通调查数据,对下游交叉口交通量进行预测,可以取得令人满意的效果。     

基于混沌高效遗传算法优化SVM的交通量预测

针对交通量预测本身所存在的小样本、非线性和复杂性等特点,利用支持向量机建立了基于RBF核函数的SVM交通量预测模型,采用基于混沌映射和加速遗传算法的混沌高效遗传算法对SVM模型参数C,ε和δ2进行优选,结合某市1978～2008年交通量实测资料进行了仿真验证,与GA-SVM模型和BP神经网络模型的仿真预测结果对比表明:该模型取得了较好的预测效果,可有效应用于城市交通量的预测.     

机场场面交通流量预测方法研究

针对机场场面交通可获数据的局限性,为精准提取机场交通数据时空特征及预测场面交通流量。首先,基于推出控制理论,建立机场场面运行数值仿真模型,得到因数据局限无法获取的预测指标;其次,搭建卷积神经网络(CNN)与长短期记忆网络(LSTM)组合预测模型提取时空特征;最后,以河南郑州机场为例进行试验验证,比较模型在不同训练数据量下的预测性能与误差指标,结果表明基于仿真指标的预测模型预测结果精确度高且性能稳定。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

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。     

基于改进BP神经网络的列车脱轨系数预测方法

列车运行过程中,脱轨系数过大将对列车运行安全产生影响并伴随脱轨隐患,因而列车脱轨系数的预测对保障列车安全运行至关重要。提出了一种基于改进BP神经网络的列车脱轨系数预测方法,利用轮轨接触横移量、接触角、车轮抬升量、列车速度对脱轨系数进行直接预测。针对传统BP神经网络收敛速度慢、易陷入局部极小值等缺陷,采用附加动量法和自适应学习率相结合的方法对其进行了改进。在ADAMS/Rail中建立车辆模型,通过该模型进行动力学仿真得到轮轨接触参数的数据,用此数据对改进BP神经网络进行验证。试验结果表明改进BP神经网络预测模型在相对误差及迭代次数上有明显改善,初步验证了该方法在列车脱轨系数预测方面的可行性。     

基于神经网络的城市停车需求预测模型

在对城市停车需求分析基础上,提出利用总停车需求、公共停车需求、私人停车需求作为城市停车需求的判别指标。基于BP神经网络对多输入与多输出的数据具有较良好的拟合能力的特点,建立基于BP神经网络的城市停车需求预测模型。以佛山市某停车场为例,分析BP神经网络在停车需求中的适应性,仿真结果表明:BP神经网络预测模型对每组数据的预测相对误差最大为18.80%,最小相对误差为6.21%,符合预测精度要求,具有一定的实际操作性。