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BP神经网络公路交通噪声的预测

由有限的公路交通噪声实测数据类比估算其它环境敏感点噪声值是公路建设项目环保验收和环境后评价的重要基础工作之一,为探讨科学有效的类比方法,根据人工神经网络理论,针对高速公路交通噪声预测的特点,提出了基于大、中、小车交通量、预测点距离及道路结构5个参数的高速公路交通噪声预测BP神经网络模型。通过对BP模型预测结果与实测值和FHWA模型预测值的比较表明:在某一特定公路环境下,由有限噪声实测数据预测其它环境敏感点的噪声值,BP神经网络不失为一种简便而有效的方法,且可得到比用FHWA模型预测更为精确的结果。     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布.     

基于径向基神经网络的交通出行预测

实现交通供需平衡是解决城市交通拥堵问题的关键,而分析交通出行结构则是平衡供需矛盾的基础,针对传统交通出行预测模型的误差大、考虑因素单一等缺陷,对多个非定量指标因素进行归纳,进而利用神经网络在非线性关系映射方面的优势,建立了径向基神经网络交通出行预测模型,并通过实例验证了方法的可行性和可靠性.最后利用建立好的神经网络模型对各个影响因素对交通出行的影响程度大小进行了分析和探讨,并得出了与实际相符的结论.     

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。     

基于手机传感器数据的出行特征提取方法

手机调查方法的已有研究较多集中于基于手机信令数据的宏观出行特征获取,而手机传感器数据在个体出行链微观出行特征提取方面具有优势.针对城市居民多采用组合交通方式出行的特征,研发智能手机应用软件,实现GPS数据(位置坐标与速度)、加速度计、服务基站、WiFi等传感器数据采集.运用小波分析、神经网络等数据挖掘技术分析不同交通方式出行数据差异,探索多种数据挖掘算法用于个体出行参数提取的可行性及效果.结合实际案例,总结应用手机传感器数据进行出行特征精细化提取的难点和技术关键.最后,探讨精细化个体出行数据在交通模型和理论优化方面的应用.     

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。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

一个基于灰色神经网络组合的交通量预测模型应用研究

GM模型在预测中对历史数据作不同取舍时,其预测值并不相同,即这种预测结果将是一个预测值的区间,这就给预测人员的取舍带来一定困难。利用GM模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来,用对历史数据作不同取舍的GM模型的预测值和纯神经网络的预测值作为组合神经网络的输入,由人工神经网络确定这些不同GM模型和纯BP网络的组合,实例验证得出更为准确的预测值,从而证明这一模型的可行性和有效性。     

基于模型优选及融合的高教园区出行生成预测方法

为了提高高教园区出行生成预测数据的可靠性,提出了一种基于模型优选及融合的出行生成预测方法。根据选取的模型评价指标,借助ELECTRE方法对区域出行产生模型进行优选,利用证据理论方法,对优选模型的权重进行标定,最后借助标定后的权重对区域交通生成量进行数据融合预测,并与实际结果进行了对比。分析结果表明:多模型融合预测相对误差在10%以下,预测结果与实际情况非常接近,该预测方法有效。     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

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．     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

考虑出行链的城市货运量与交通量的转换模型研究

由于货运具有衡量尺度多维化的特点,在进行货运交通需求预测时,需要建立各种转换模型来保证指标的统一。在“基于货物”的货运交通需求预测方法中,货运量与交通量的转换是货运交通分配前的重要步骤之一。本文以出行链理论为基础,分析了货运车辆的出行行为,总结了货运车辆的出行链模式,基于一系列假设条件建立了考虑出行链的货运量与交通量的转换模型,并运用模型计算了某市货运交通量的OD分布矩阵,分析了其货运空车出行量占出行总量的比例,和出行总量与实际货运出行总量的误差。     

Transport Modal Split of Commercial Sites Based on Artificial Neural Network

On the basis of the characteristics of the transport mode structure at commercial sites, this paper initially analyzes the factors that have influenced public transport modal split. Taking advantage of the strong nonlinear mapping and generalization characteristics of Back-Propagation (BP) neural network, a prediction model of public transport trip proportion is established based on investigation data of commercial sites in Beijing. Meanwhile, this paper makes quantitative analysis of the factors and forecasts public transport trip proportion at commercial sites under different policies.