基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性。另外,计算结果表明基于主成分分析（PCA）的BP神经网络法优于BP神经网络法。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性.另外,计算结果表明基于主成分分析(PCA)的BP神经网络法优于BP神经网络法.     

主成分分析法在居民出行生成模型中的构建研究

交通出行生成模型作为“四阶段法”出行的第一步,出行模型的精度将直接影响了整个四阶段法模型的结果;现行的居民出行生成预测模型主要有生成率法、交叉分类法、回归分析等。但是这些方法都没有从根本考虑到各种影响出行生成的变量之间的相互影响关系,而这种变量之间的相互关系往往会直接影响居民的出行特征,同时,常用的回归分析法中,由于最小二乘法的局限,往往会丢失变量或者出现负变量,而这些变量在交通出行中明显会产生出行量,这就和实际的交通出行特征有了背离。本文提出了在回归分析法之前首先采用主成分分析法来确定各影响变量之间的关系,确定主成分方程,进而在根据主成分方程和调查数据之间的回归分析来构建出行生成模型。通过这样的方法来有效的保护变量的非负性和体现变量之间相互关系对出行生成的影响。     

基于PCA-GA-BP模型对污水BOD的预测

针对污水处理系统的非线性、强耦性,结合主成分分析(PCA)、遗传算法(GA)和BP神经网络,提出了改进阈值参数的模型。以某污水处理厂月数据为例,利用PCA选取主参数的变化因子作为BP神经网络的输入,运用GA优化BP神经网络的权值预测BOD值,并与无优化BP网络的预测结果进行比较。结果表明:新模型对污水处理的预测平均误差为10～12,最大相对误差为1.7%,预测精度高,收敛速度快。     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测.算例表明,该模型可以提高预测精度.     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测。算例表明,该模型可以提高预测精度。     

基于遗传BP神经网络的电控发动机故障诊断研究

为提高发动机故障诊断的正确率与精确度,提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。     

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.