交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用BP神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于BP神经网络方法;证明该方法是可行且有效的。     

基于遗传神经网络的交通流量预测研究

针对BP神经网络用于交通流量预测时存在的不足,采用遗传算法优化BP神经网络初始权值的方法来提高BP网络的性能.应用改进前后的BP神经网络模型对长沙市具体路段的交通流量进行预测,通过预测结果对比,发现经遗传算法改进后的BP神经网络在降低预测平均误差的同时,迭代次数也比标准BP神经网络大大减少.     

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.     

基于BP神经网络的黄土湿陷性预测研究

运用人工智能领域中的神经网络技术,提出了基于BP神经网络模型的黄土湿陷性等级的预测方法。用MATLAB7自带的神经网络工具箱编程来实现BP神经网络系统。并给出工程实例和程序,预测效果和准确度较好,说明利用BP神经网络预测黄土湿陷系数是可行的。     

小波模糊神经网络在高速公路沥青路面性能预测中的应用

针对高速公路沥青路面养护管理的需求,将小波变换理论与模糊神经网络结合起来,建立用于高速公路沥青路面性能预测的小波模糊神经网络。对路面性能的原始数据列进行小波分析后,再通过样本学习训练,获取预测的数据列,最后通过重构获得路面性能的预测数据列。将小波模糊网络与一般神经网络的预测结果相比较,结果表明：采用小波模糊神经网络对高速公路沥青路面性能预测可降低人为因素影响,保证预测结果尽可能客观,提高预测效率。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、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。     

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM(1,1)和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性。实例证明了组合模型的预测精度高于单独的GM(1,1)模型,可以用于公路客运量预测。     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。