������ع�-BP ������Ĺ��ƹ�������Ԥ�ⷽ��

基于空中交通复杂程度刻画管制工作负荷是当前空中交通管理领域的研究热点。本文采集了厦门空管站的雷达数据,计算得出10个空中交通复杂性评价指标数值,通过共线性诊断发现复杂性指标间存在较强的多重共线性。在利用岭迹图对复杂性评价指标进行筛选的基础上,建立岭回归—BP神经网络组合模型对管制员工作负荷进行预测,并通过实测陆空通话数据进行验证。结果表明,本文提出的岭回归—BP神经网络组合模型收敛速度快、训练时间少;组合模型的均方误差、均方根误差、平均绝对误差、平均绝对相对误差等4项性能指标都相对较小,预测精度较高。     

基于神经网络和支持向量机的大客车运行车速组合预测

为了降低单个预测方法的不确定性,综合神经网络和支持向量机两种学习型算法,基于二者的最优加权组合对大客车运行车速进行了预测.以二级公路上244个路段的平曲线半径和纵坡度等线形数据和实测车速为样本,分别应用BP神经网络、支持向量机、最优加权组合预测以及线性回归对大客车第85百分位运行车速进行了预测.选择均方根误差和判断系数为评价指标,对比结果表明,最优加权组合预测能够综合单个预测方法的信息,提高了预测精度.     

基于双重力模型和人工神经网络的空中交通流量组合预测

基于四阶段法,采用双重力模型,预测全国空域的交通流量OD分布.针对历史数据的随机性和周期性,建立灰色广义回归神经网络组合模型,得出空中交通流量的预测结果.采用马尔可夫链预测模型,分析了组合预测结果.算例分析表明,对比华北地区空中交通流量统计数据,与回归分析和广义回归神经网络模型的结果相比,本文模型预测结果的精度更高、更可信.     

BP神经网络在解决电力消耗问题中的应用

由于BP神经网络在解决非线性复杂系统中存在很大的优势,以江西省1991—2011年人口、经济和耗电量等数据为研究对象,利用BP神经网络构建耗电量预测模型。模型一利用1991—2009年人口、经济和耗电量等数据作为训练样本,以2010—2011年作为测试样本来验证网络的准确性,再根据历史人口、经济等数据来预测历史耗电量;模型二采用传统的多元回归分析法,对非线性多元函数进行多元线性回归,通过回归模型得到的参数来预测耗电量。结果表明,模型一收敛性较好,所得预测结果绝对误差较小,而模型二传统方法得到的预测结果误差较大,因此,利用BP神经网络预测的结果具有非常大的参考价值,证明BP神经网络应用在电力消耗中的应用是可行的。     

基于神经网络与马尔可夫链的换道次数预测方法

为在先验数据有限情况下较精确地预测道路换道次数,提出基于神经网络与马尔可夫链的组合预测模型。采集路段区间平均车速和车流密度,采用BP神经网络训练初步拟合模型;运用马尔可夫链方法,进一步给出换道次数在表示高估、正常、低估的3组区间内的分布及概率,改善BP神经网络误差。运用组合预测模型对西安市某道路的换道次数进行了预测分析,结果表明,实际换道次数均在模型给出的较大概率的预测区间内,表明模型能够根据路段区间平均车速和车流密度较好地预测换道次数。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

ȫ���񺽿��н�ͨ������Ԥ�⼼���о�

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

全国民航空中交通量长期预测技术研究

全国民航空中交通量的长期预测是空中交通管理部门制定空域规划方案的重要依据. 本文基于GM(1,1)模型和最小二乘法原理,首次提出了空中交通流量灰组合长期预测模型;同时根据我国民航1985～2008年的飞机起降架次的历史数据,研究了时间序列预测、回归预测以及神经网络预测三种常用预测方法对中国民航空中交通量进行预测的适应性;通过分析我国民航空中交通量数据的特点以及各种预测模型的预测结果表明,本文提出的灰组合预测模型在上述各种预测模型中预测精度最高.     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明：ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。     

基于座椅人机参数的列车座椅舒适度评价方法

为了降低高速列车舒适度调查的成本,避免进行大量的问卷调查和统计分析,对高速列车座椅静态舒适度评价方法进行了研究. 首先,通过确定高速列车座椅舒适度评价指标和指标权重,获得座椅舒适度计算方法;其次,利用BP神经网络构建以高速列车座椅8项人机几何参数为输入、以座椅舒适度评价为输出的座椅静态舒适度评价模型;最后,进行实例研究,对构建的神经网络评价模型进行训练和验证,并对神经网络进行权值和阈值的提取,构建神经网络的数学表达公式. 研究结果表明:当神经网络为1个隐含层、13个节点时,训练达到误差均值2.13 × 10?3、均方误差6.091 × 10?6的理想效果,且不存在过拟合现象;利用CHR2的一、二等座椅人机几何参数测量数据及对应舒适度评价对该网络进行验证,验证显示一等座的神经网络预测值跟实际评价值误差为3.07%,二等座评价误差为1.42%,该网络模型预测精度较高,且优于多元回归模型预测的结果.      

基于交通特征的空域建模方法及扇区仿真分析

空中交通是一个复杂系统,其复杂性体现在空域结构、航空器、管制员和管制设备等多个方面。本文提出一种基于空中交通特征的空域凸胞模型,它可以更准确、全面地描述空中交通情况。首先,作者基于空域复杂性量化空中交通特征,之后将复杂网络的概念应用于空中交通系统中,并采用基于加权复杂网络特征的K-Means聚类算法建立空域凸胞模型,最后,将该模型应用于北京管制区,从扇区管制的安全性和管制员工作负荷的均衡性两方面提出扇区安全概率、平均飞机数等指标,分别基于交通高峰期的数据和全天的交通数据验证扇区划分方法的优点和有效性。     

神经网络在路面使用性能评估中的应用

应用神经网络BP算法原理,建立评估路面状况指数PCI的模型.通过平整度和路面破损率数据的学习,预测了路面破埙指标PCI,并把神经网络模型和回归模型进行了比较,证明了神经网络模型在路面使用性能评估中有更好的应用前景.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于FWD的沥青路面弯沉预测模型对比分析

为了有效利用FWD检测仪器,提高弯沉检测效率和精度,分别利用回归分析技术和BP神经网络智能方法,建立了基于FWD动态弯沉预测静态弯沉的预测模型,分析了模型影响因素,并对比了2种模型的预测效果.研究表明:弯沉检测层位、FWD系统误差、弯沉测试范围均对弯沉预测模型有较大影响;与回归模型相比,BP神经网络模型的均方根误差降低...     

基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

基于组合模型的浙江省GDP预测研究

区域 GDP 的发展趋势是高速公路规划和建设的重要参考依据。 本文基于浙江省 197 8.至 201 9.年的 GDP 数据, 分析数据特性, 构建预测模型, 掌握发展规律。 首先, 将 GDP 数据转化为时间序列, 建立 ARIMA (2, 2, 0) 模型 ; 其次, 将 GDP 数据以滑动窗口的方式生成输入矩阵, 建立 BP 神经网络模型 ; 最后, 利用 ARIMA 分析 GDP 时序的线性部分, 利用 BP 神经网络分析 GDP 时序的非线性部分, 建立组合模型。 通过计算相对误差比较模型的预测效果, 三个模型的平均相对误差分别是 6.和 6.结果表明, 组合模型的平均相对误差最小, 预测效果最好     

基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.     

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。     

基于FGM-SVR组合模型的港口吞吐量预测

为提高港口吞吐量的预测精度,建立基于分数阶累加GM(1,1)预测模型FGM(1,1)和支持向量回归(support vector regression, SVR)的组合预测模型进行港口吞吐量的预测。首先,分别运用FGM(1,1)模型和SVR模型对吞吐量进行预测;然后,针对传统组合模型赋权不能兼顾各单项模型在各时点预测能力强弱的问题,提出基于诱导有序加权平均(induced ordered weighted averaging, IOWA)算子的赋权方法进行组合预测;最后,以重庆港2005—2020年港口货物吞吐量为数据样本进行实例验证,分别使用FGM(1,1)模型、SVR模型和赋权后的组合模型进行港口吞吐量预测,并比较3种模型的预测精度;最后,分别使用这3种模型对2021—2024年港口吞吐量进行了预测。研究结果表明：基于IOWA组合预测模型的均方根误差、平均绝对误差和平均绝对百分比误差均明显小于各单一预测模型。该组合模型可以为港口吞吐量预测提供一种新的方法。