基于QPSO—RBF的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于组合预测的RBF神经网络货运量预测方法研究

为有效进行交通货运量预测，通过对货运量影响因素的分析，建立了关于货运量影响因素的层次分析模型，根据该模型构建了基于RBF神经网络的货运量预测方法。用我国1985-2004年的货运量统计数据对该神经网络进行训练和检验，并对2005-2006两年间的货运量进行预测。预测时设定了2005-2006年2a间货运量各影响因素值，再运用RBF神经网络预测这两年的货运量。结果表明，2005年的预测值与国家统计局最近公布的实际数值有很好的一致性，表明这一方法的可行性。     

基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

短时段交通流预测的RBF神经网络模型

介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。     

沙土的液化预测研究

本文以大量粉土地基实测数据为学习训练样本及预测样本,建立了预测模型。研究表明,用RBF神经网络方法进行沙土地震液化预测是可行的。     

公路隧道交通流预测模型研究

在公路隧道前馈式通风控制系统中，需要对下一控制周期内的交通流进行在线预测。针对公路隧道交通流的特点，分别建立了神经网络预测模型和模糊逻辑预测模型，并采用仿真手段对它们的预测效果进行测试。测试结果表明，神经网络预测模型对正常交通流的预测精度较高，而模糊逻辑预测模型则对异常交通流的预测精度较高。     

火灾工况下公路隧道通风智能控制模型研究

为研究公路隧道火灾工况下的智能通风控制方法,以某隧道右线为研究对象,进行如下研究：1)探索RBF神经网络模型的适用性、网络组成与训练过程,并结合工程实例通过经验公式得到火灾规模与临界风速的关系;2)计算获取51组随机工况下不同火灾发生规模、火灾发生位置、隧道交通量下的风机开启台数数据;3)利用径向基RBF(Radial Basis Function)神经网络算法进行模型训练,共设置30组训练数据与21组检验数据进行预测精度验证。工程实例预测结果表明：1) RBF神经网络算法训练组与检验组的相对误差分别为4.6%与8.7%,预测精度在预设阈值范围内;2)构建的火灾工况下,公路隧道风机智能控制模型有助于提升公路隧道营运期安全水平。     

基于回归分析的公路货运量预测

为了预测公路货运量,文章先从影响公路货运量的10个因子出发,分析各因子和公路货运量的关系,并使用多元逐步回归法做最优回归方程的选择,挑选出对公路货运量影响显著的6个因子,然后建立公路货运量预测的6元线性回归模型,使用最小二乘法求解模型参数。经检验,公路货运量预测模型的显著水平p=0.021370.05,样本可决系数R~2=0.9998,接近于1,模型拟合效果较好。最后对各因子建立一元线性回归模型,得到2018年各因子的预测值,代入公路货运量预测模型,得到2018年的公路货运量预测值。     

基于广义回归神经网络的公路货运量预测方法研究

公路货运量受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述.采用广义回归神经网络(GRNN)对货运量进行分析及预测.通过对1995～2003年南京市公路运量的历史数据进行分析和处理,对网络进行训练和拟合,用2004～2005年的实际数据进行模型检验,结果证明了GRNN用于货运量预测的有效性.     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。     

基于径向基函数神经网络的城市道路路段行程时间实时预测模型

提出利用径向基函数（RBF）神经网络方法对城市道路路段行程时间进行建模NN,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性。并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高。     

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

爆破振动特征参量的SVM及神经网络预测应用研究

通过RBF、BP神经网络及SVM算法3种预测方法,对爆破震动特征参量进行预测,并与传统萨道夫斯基公式进行对比分析研究。结果表明,3种方法预测精度均优于传统萨道夫斯基公式。当样本数有限时,BP、RBF神经网络在爆破振动峰值振动速度及主频率的预测中效果欠佳,SVM算法的预测精度优于RBF、BP神经网络,在实际工程应用中SVM算法对爆破振动特征参量的预测具有极强的适应性。     

基于PSR-PSO-RBF的短时交通流预测方法

短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法)。采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用PSO算法,确保短时交通流预测的精确度和可靠性。实例分析结果表明,该方法可有效提高短时交通流的预测精度和可靠性,其预测误差较小。     

基于区位信息的城际公路货运分布量预测—— 以云南为例

为预测无精确现状货运OD矩阵的城际公路货运分布量,引入区位理论,根据城市的用地属性和社会经济属性指标,从城市聚集规模质因子和可达性2个方面量化城市区位信息,从而获取城市的产生区位影响因子、吸引区位影响因子和相对可达性;考虑区位影响因子,将其与改进重力模型相结合求得货运量分布概率矩阵,将计算所得的未来年货运产生量预测值通过货运量分布概率矩阵分配至相关城市,得到初始货运量分布矩阵;再根据Fratar模型预测城际公路货运分布量,最后以云南省为例进行验证.结果表明,通过建立公路货运分布量预测模型,并经过Fratar模型迭代计算能够获得云南省未来年的城际货运量分布OD矩阵.所提出的城际公路货运分布量预测方法可大幅简化基础数据收集与货车调查工作量,具有很好的移植性.      

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于BP神经网络与多元回归的公路客运量预测研究

根据公路客运量的历史数据及相关影响因素数据,采用SPSS及MATLAB软件分别建立多元回归及BP神经网络预测模型,通过将2种模型输出的预测结果与实际数据进行对比,得出采用多元回归方法在预测客运量变化过程中所产生的误差远小于BP神经网络方法所产生的误差,认为,当数据样本量较小时,多元线性回归预测模型优于BP神经网络预测模型。