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。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

高速公路固定检测器布设方案分析

为研究高速公路交通事件检测算法及固定检测器布设间距,设计高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距为200～700m时,使用不同情况的事件来检测效果。利用VISSIM4.2软件仿真获得数据,并在MATlab人工神经网络工具箱中计算,验证所设计的事件检测算法的有效性,得出基本路段固定检测器的合理布设间距。     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

城市交通流量短时预测的支持向量机方法

提出基于支持向量机的短时交通流量预测模型,对城市交通本身固有的非线性、复杂性和不确定性进行综合考虑。结合实例数据,对基于支持向量机的预测模型和基于BP神经网络的预测模型进行比较。结果表明:基于支持向量机的预测模型模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

BP神经网络在交通流量预测中的应用

路段上的交通流量受各种因素的影响,是一个典型的非线性系统。由于神经网络具有识别复杂非线性系统的特性,故将BP神经网络应用于交通流量的动态预测中是可行的。     

基于神经网络的交叉口交通流量预测方法研究

主要介绍利用BP神经网络模型来预测交叉口交通流量的方法。在概述了神经网络的工作原理和BP网络模型的设计之后,通过举例更进一步说明此方法的可行性和预测效果。     

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。     

����������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.     

基于神经网络的路口交通流转向比预测

为了预测路口交通信号控制所需的转向交通流量,提出了基于改进BP(back-propagation)神经网络的路口交通流转向比预测模型,给出了相应参数的计算方法;采用自适应学习率和动量梯度下降法以提高神经网络的学习速度和算法的可靠性,并用调查数据对模型进行了检验.研究结果表明,与传统的平均值法相比,用所提出的模型,平均绝对相对误差减小约1%~3%.     

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP 神经网络自学习的特点与D-S 证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明：融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7．90％、20．72％,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。     

城市可变信息标识选址算法

考虑了道路等级、交通流量与道路运行状态等静态因素,以及信息叠加特征的动态因素;提出了一种考虑路段属性的城市可变信息标识(VMS)选址算法,运用回溯法的思想,针对与交通诱导密切相关的4个主要路段属性,包括道路等级、交通流量、布设效果与信息叠加度,对路段进行多层次筛选;引入2个参数,分别为路段交通流量和布设效果的遍历范围,通过调整这2个参数,控制不同属性之间的重要程度;基于北京市某局部路网对算法进行了验证。验证结果表明:当这2个引入参数由0.3增大到0.6时,布设路段顺序会发生改变,等级较高的路段即使交通流量较小也会得到优先布设,处于同一交通流量区间的路段,布设效果大的路段优先布设;在实际应用中,如果要求VMS多布设在等级较高的路段上,可以通过调整算法参数而进行布设顺序的调整。     

城市道路交通检测器优化配置方法研究

为了获得全路网的实时动态交通流量信息,需要选择合适路段来配置交通检测器,并由安装检测器的路口来预测未安装检测器路口的交通量.文中根据城市路网中路段交通流量的相关性,运用基于数据融合的统计分析技术--聚类分析方法和逐步回归方法,对城市道路交通检测器优化配置的方法进行了研究.实例分析证实,这为检测器空间优化配置提供了一种简单可行的方法,并为交通数据采集的科学性、实用性提供了保证.     

基于分段学习的BP神经网络的交通流量预测

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最佳方案,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。本文采用改进型BP神经网络建立起交通流的时间序列模型,该模型可用于短期内道路交通流量的预测。     

基于神经网络的交通流检测设备布设研究

针对目前交通流检测设备布设中出现的一些问题,借助均匀设计方法,结合神经网络处理观测交通流数据,在设置数量有限制条件下,开展布设方案优化设计研究。本文的方案设计力图在人力物力投入最小的前提下,通过典型路段、交叉口等交通基础设施的组合,可以更多的获取交通流参数信息,全面、准确的反映城市交通流分布情况。选用了67的均匀设计表作为方案设计基础表,经过拟水平处理后设计优化方案,运用BP神经网络构建交通量推断模型,判定设计方案的优劣,进行了实地交通流检测设备优化布设研究。通过研究可知,采取优选布设方案采集的交通量对检测路段交通量进行预测,相对偏差可以达到0.006。     

基于重现定量分析法的交通流量时间序列周期特性

为了提高交通流量的预测精度,用重现图和重现定量分析法,定量分析了交通流量时间序列的周期特性,并利用BP神经网络法和K近邻法,对短时交通流量进行了预测.实例分析表明:不同统计时间间隔和不同时段的交通流量时间序列的周期特性不同.统计时间间隔为5 min的交通流量时间序列有较好的实时性和较强的周期性.交通流量时间序列的周期特性与预测精度正相关,夜间交通流周期性弱,预测精度为87.41%;日间交通流周期性强,预测精度为92.16%.     

����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.     

基于Vissim和BP神经网络的右转专用相位设置研究

综合考虑各种交通流对右转专用相位设置影响的研究较少,针对该情况提出基于Vissim和BP(back propagation)神经网络的右转专用相位设置方法,为右转专用相位设置提供一种新思路。首先对右转机动车进行交通冲突分析,通过假设各种交通流量进行交叉口信号配时,并采用Vissim进行仿真,获取许可型相位下右转机动车平均延误数据7 776组;再利用BP神经网络模型对获取数据进行训练,建立许可型相位下右转机动车平均延误模型,模型能够计算右转机动车平均延误;最后以右转机动车平均延误最小为目标建立右转专用相位设置流程。     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。