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。     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

非线性短时交通流的一种神经网络预测方法

短时交通流预测是交通控制与交通诱导系统的关键问题之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般的预测方法难以奏效。本文针对BP神经网络运行的特点。提出了用隔离小生境遗传算法优化传统的BP网络。实例证明,该神经网络的进化建模方法设计简单,全局搜索效率较高,能有效的用于短时交通流量的预测。     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

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XGBoost的短时交通流预测研究

针对短时交通流预测模型复杂度与预测精度的矛盾,提出基于集成学习的XGBoost(eXtreme gradient boosting)模型预测交通流,充分利用其对高维特征数据预测精度高以及计算速度快的优势。首先对原始数据的异常值进行中值滤波处理;然后基于XGBoost模型建立预测模型,利用交叉验证的方法确定最优的超参数取值,对测试集进行预测得到各个特征的重要度;最终将模型预测结果与其他短时交通流预测方法的预测结果进行比较。结果表明：中值滤波降噪处理和充分利用相邻断面的交通流数据均对模型预测精度有显著提升,XGBoost模型的预测精度高达96.6%,相比其他短时交通流预测模型更能充分利用交通流的时间特性和空间相关性。     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP),有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢,容易陷入局部极值的问题,提出一种自适应递减的收敛因子,使灰狼算法区分全局搜索和局部搜索;改进灰狼个体的位置更新公式,引入惯性权重,调节惯性权重大小使灰狼算法具有跳出局部极值的能力;对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型,结果显示,TGWO-BP的短时交通流预测模型误差为10.03%,达到较好的预测精度.     

面向实时短时交通流预测的过程神经元网络建模

为了充分利用交通流的时空过程特性, 进行交通流的实时预测, 将过程神经元网络和数据流在线学习技术引入到短时交通流预测中。充分考虑交通流的日周期、周周期等内在特性, 结合过程神经元网络和小波变换, 实现对历史数据的多尺度过程特征处理。构建了路网整体预测过程神经元网络模型, 并采用主成分分析方法, 利用交通流空间相似性的影响对模型进行优化。基于Harr小波技术提出具有自适应和实时性预测特征的在线学习算法。试验结果表明: 该模型的预测准确性优于普通神经网络, 平均百分比相对误差降低6%~8%, 预测时间至少降低67%, 具有较高的性能, 能满足短时交通流实时预测的需求。     

高斯过程回归短时交通流预测方法

已有的短时交通流预测方法均属于确定性预测,无法对预测的不确定性进行定量分析.针对上述问题,提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值,并依此可以确定预测值的95%置信区间.在仿真实例中,在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明,高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度,其中均方根误差为12.09,绝对值误差为118.42,相对误差为17.32%,而且能够获得预测结果的方差估计值,从而有效实现短时交通流概率意义上的预测.     

����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.     

������������֯������Ⱥ�Ľ�ͨ��Ԥ��

为了提高城市交通流预测神经网络方法的快速动态学习能力,提出了一种生长自组织神经网络群,将复杂的神经网络个体分解为多个训练简单的神经网络群组,并利用设计的动态生长自组织算法来避免神经网络在学习新知识的时候对已有知识造成破坏,同时保持整个群工作的高效稳定,规模不过度扩张.该神经网络群尝试解决神经网络的一次性学习问题,具有动态知识增殖学习能力和更强的错误自修复能力及系统适应灵活性.仿真结果表明,这一方法能够更精确地实现函数逼近和城市交通流自适应动态预测,适用于需要不断快速动态学习的复杂系统.     

基于多维时空参数的道路短期交通状态预测

城市道路交通状态会同时受到时间、空间多维因素的影响. 为对城市道路短期交通状态进行比较准确的预测,本文在分析多维时空参数的基础上,构造了基于支持向量机（SVM）的不同维数的道路短期交通状态预测模型,并通过贵阳市中心城区的出租车GPS数据对各种模型的预测精度进行了检验,分析各时空参数对道路交通状态的影响程度. 结果表明, 基于目标路段先前流量数据及下游路段交通状况的SVM模型具有较高的预测精度. 为了进一步分析该模型的性能,将其与线性回归模型和ARMA模型进行了比较,实验结果显示,本文提出的SVM模型具有较好的预测效果,表明该方法是进行道路短期交通状态预测的有效手段.     

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.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.     

����������ı�����· ��ͨ������Ԥ���о�

在总结交通流短期预M方法发展趋势的基础上，分别介绍了基于常规的BP神经网络和基于RBF神经网络的交通流量短期预测模型，并重点研究RBF网络模型的预测性能，确定了关健参数、的最优值.最后应用两种模型时北京环路实测交通流数据进行了预刚分析，实验结果表明，两种模型都可以满足实际交通流诱导的需要，BP模型在预则精度上稍优于RBF模型，但后者在学习速度和学习稳定性等方面明显优于前者.     

基于改进BP神经网络的速度预测模型

针对BP神经网络三个不足分别加以改进,并利用改进BP神经网络建立速度预测模型,通过实例验证预测模型的有效性,同时,预测结果具有很好的适应性和真实性,可为动态交通管理提供参考.     

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.