交通流量的递归神经网络实时预测模型研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的有效措施,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出一种基于递归神经网络的交通流量实时预测模型,这种预测模型通过联系单元对神经网络的输出进行反馈,因而具备动态记忆能力,可以实现对交通流量的快速、准确预测。应用实例验证了所提出的递归神经网络预测模型的有效性。     

基于卡尔曼滤波理论的交通流量实时预测模型

用卡尔曼滤波理论建立了交通流量预测模型，并用两种方法对基本模型进行改进；利用线圈检测器提供的实测交通流量，预测了路段未来时段的交通流量 。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.     

基于小波神经网络的道路交通流量实时预测模型研究

实时交通流量预测是智能交通系统的核心内容,智能交通系统中多个子系统的功能实现都以其为基础。交通流具有高度非线性和不确定等特征,且与时间高度相关,可以看成是时间序列预测问题。根据交通流的这些特点,提出基于小波神经网络的道路交通流量实时预测模型,并以某条道路为例,通过Matlab编程实现模拟仿真。仿真结果表明,小波神经网络能够比较精确、快速地对实时交通流量进行预测,网络预测值接近期望值。     

基于城市路口相关性的交通流量预测

利用主成分分析方法对路网中各路口的交通流量进行了相关性分析，构建了相关路口集，提出了根据相关路口集的交通流量预测本路口流量的思想．给出了用于预测的神经网络模型、具体算法和评价标准。在比较精确的训练样本基础上对网络进行了训练，测试了训练后的网络性能。实验表明，采用基于城市路口相关性进行交通流量预测具有满意的准确性和较好的鲁棒性。     

基于统计学习理论的交通流量时间序列预测

针对城市交通“智能运输系统”，提出基于统计学习理论的交通流量时间序列预测，与传统统计学相比，统计学习理论能勉励在训练样本数很少的情况下达到很好分类推广能力。它具有收敛速度快，有效避免局部最小点的特点。对某一实际路口机车流量的实验结果验证了该方法的有效性和先进性，有望在交通流量时间序列预测方面得到广泛的应用。     

基于特征分析的城市道路短时交通流量预处理

对城市道路交通流量数据进行了特征分析,规划了数据预处理过程中的3大内容:故障数据的识别与修补、数据消噪处理和数据平滑处理.最后基于实际采集数据,对信息预处理的各个步骤进行了数据分析和算法试验.实证结果表明,该预处理过程正确、合理,可以很好地保证输入数据质量.     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

一种基于周相似特性的实时交通量预测模型

针对城市道路交通流量的周相似特性,对实时采集的流量与历史流量进行对比分析,利用均方根误差法确定权重,采用指数平滑方法对权重进行修正,提出一种实时交通量预测模型,并给出利用该模型预测的实例。利用最小二乘法对该预测进行了改进,进一步扩大和提高了模型的应用范围和实用性。     

基于S型函数预处理的RBF神经网络交通流量预测

根据交通流复杂性的特点,提出了一种基于S型函数标准化数据预处理的交通流量RBF网络预测方法,缩短了RBF网络训练时间;同时采用OLS算法有效降低RBF网络训练的随机性。实验仿真结果表明,该算法可用于实时交通流量及参数预测,并具有可靠的精度和较好的收敛速度。     

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.     

无检测器交叉口交通流量预测方法综合研究

利用交叉口的相关性，对无检测器交叉口交通流量的预测问题进行研究，并应用长春市路网的实际数据对结果进行检验，取得了满意的效果。此研究成果有效地解决了无检测器交叉口交通流量的预测问题，它使得只有少数有检测器交叉口城市的交通流诱导成为可能，并为交叉口的宏观管理提供了理论基础。     

新（改）建高速公路的交通流量构成及增长分析

新（改）建高速公路上交通流量的构成及增长是其经济分析的关键，同时也关系到其运营和管理。由于其独有的特点，传统的交通流量预测方法对其有一定的局限性。     

滑坡变形的人工神经网络预测模型及应用

根据人工神经网络对信息处理的能力,选用较成熟的反向传播网络模型,在详细的工程地质勘察和理论分析的基础上,利用某滑坡中部变形监测数据,通过多次试验的方法,建立了具有1个输入层、15个隐含层、1个输出层的反向传播网络模型。通过神经网络的学习与训练,建立了滑坡位移和时间之间的人工神经网络非线性关系模型,并应用非线性模型预测了滑坡在未来几个月的变形情况。     

一种改进的神经网络及其在交通流量预测中的应用

针对BP神经网络运行的特点，提出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．模型性能评价全面合理，全局搜索效率较高，能有效地用于短时交通流量的预测。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于聚类分析的实时交通流量监测系统研究

章将图像处理技术与聚类分析理论相结合，建立了一个基于视觉信息的车流量检测系统，实现了从图像获取、运动车辆检测、图像聚类分析，到车辆计数、车速及车辆大小等交通流量参数提取全过程的自动化。实验证明该系统具有一定的实用性。     

基于混沌理论的高速公路网短时交通流量预测研究

随着高速公路网的建成及其交通流量的不断增大,对高速路网交通流实时控制和诱导服务的需求日益突出,而高速公路网短时交通流量的预测,不仅是交通流实时控制和诱导服务的基础和依据,而且预测结果的准确性对改善高速公路网的通行能力和服务水平有重要影响。基于混沌时间序列分析和预测的理论,建立了高速公路网短时交通流预测模型,计算给定区域高速公路网多断面短时交通流量预测值,结果表明利用多维混沌时间序列法预测高速公路网短时交通流量可行且具有较高的精度。     

超声波车辆交通流量自动记录仪

文章主要介绍了采用超声波传感器技术研制公路交通流量自动记录仪的结构、检测原理以及实验结果。