多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

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。     

基于维度规约的快速路全时段排放模型适应性研究

针对城市快速路汽车污染物排放控制需要，紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异，以排放测试车辆实际工况排放序列为数据源，分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合，构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上，分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明：维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感；全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446，同时MAPE显著降低7.38%和3.86%，揭示GRNN模型在...     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

一种基于ADPSO优化的循环神经网络模型

针对循环神经网络(Recurrent Neural Network,RNN)采用传统的训练方法造成的收敛速度慢、易陷入局部最优的问题,提出一种自动调整的动态粒子群优化算法(ADPSO),利用ADPSO较强的全局寻优能力来优化RNN的初始权值及阈值,构建基于ADPSO优化的RNN模型(ADPSO-RNN),从而提升RNN的预测性能及泛化性能.在ADPSO中,将动态搜索空间策略引入到粒子群算法中,同时自适应地调整学习因子以平衡算法的全局和局部搜索能力.在实验中,将ADPSO与PSO进行算法优化性能对比,结果表明ADPSO具有更好的寻优性能;然后以某股票的股票价格历史数据为实验数据,将ADPSO-RNN与常规RNN、PSO优化的RNN分别对其进行预测,结果表明ADPSO-RNN模型在股票价格预测中预测指标平均绝对误差和均方误差上相对于另外两种模型均有所降低,具有更好的泛化性能.     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于PSO-SVR的隧道光面爆破效果预测评价模型

为了实现良好的光面爆破效果,保证巷道施工的安全性,提出一种基于粒子群算法(PSO)的SVR光面爆破效果预测模型。选取了炮眼密集系数、最小抵抗线、装药量、炮孔深度、岩石单轴抗压强度、泊松比作为光面爆破的影响因子,炮孔利用率、超挖量、半孔率为光面爆破效果的评价指标,运用SVR原理建立预测模型,5折交叉验证法评价模型推广能力、粒子群算法优化模型参数。利用该预测模型,对某公路隧道掘进前24组光面爆破实测数据进行训练,后4组光面爆破实测数据进行模拟预测,分析结果表明,其3个指标的平均相对误差为1.1275%、1.8525%、0.9275%明显小于神经网络模型预测的1.5625%、6.0425%、4.6300%,同时其模型稳定性和泛化性优于投影寻踪预测模型。基于粒子群SVR算法预测模型的高精确度、强稳定性,为光面爆破效果预测提供了一种科学、实际的方法。     

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.     

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

基于实车数据的电动汽车电池剩余使用寿命预测

电动汽车电池剩余使用寿命预测是当下电池研究领域的热点内容,现有电池剩余使用寿命预测模型大多基于单一预测指标,预测精度较低,模型的泛化性能较差。本文通过实车数据构建了GM-LSTM的Stacking融合模型,实现电动汽车电池剩余使用寿命的准确预测。首先根据电池剩余使用寿命影响因素,提取车辆真实的运行参数和环境参数,基于随机森林算法筛选最优特征集合作为模型输入,其次选择差分整合移动平均自回归算法对所选特征进行惯性延伸,克服数据时间维度上的限制,最后基于数据特点,分别建立灰色预测模型和长短时记忆神经网络模型实现电池剩余使用寿命预测,并通过Stacking模型融合进一步降低预测误差。结果表明：模型融合 后平均相对误差为1.6%,平均绝对误差为0.013,能够稳定可靠的实现电动汽车电池剩余使用寿命预测。     

基于自适应粒子群优化算法的交通量短时预测模型

在考虑交通量短时变化的时空特性和波动性基础上,建立了非线性交通量短时预测模型.根据我国城市道路交通流非线性、时变性、随机性等特点,提出自适应粒子群优化算法对非线性交通量短时预测模型进行在线修正.该自适应粒子群优化算法采用两步优化策略,对算法参数进行调整,避免算法早熟收敛,有效提高了算法的运算精度和效率.利用城市道路的实测数据,通过Mat-lab软件工具箱对该模型进行计算机仿真验证.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

基于混沌理论和神经网络的交通量预测

针对目前交通量预测不能很好地满足智能交通管理需求的现状,分析交通量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出北京环路上某车道交通量预测的实例,结果显示基于混沌时间序列分析的神经网络交通量预测在数据动力特征刻画及误差控制上有显著优势。     

降雨对城市道路行程速度的影响

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.     

����Գ��е�·�г��ٶȵ�Ӱ��

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.     

基于小波神经网络的高速公路区域经济影响评价

引入小波神经网络的自适应机制,建立基于小波神经网络的多属性综合评价模型EMWNN(15,20,1),并进行了实际应用.