共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
3.
在二阶BP神经网络基础上加以改进,提出一种快速二阶BP神经网络,并将把该方法成功地用于公路交通量的预测中,通过与其它方法的比较分析,得出快速二阶BP神经网络预测方法加快了收敛速度,提高了结果的准确度,为科学地预测公路交通量提供了有力依据。 相似文献
4.
分析了快速路互通立交主线总交通量、交织流量比和主线外侧第二车道大型车比例等3种因素对合流区端部主线最外侧车道交通量的影响,得出上述3种因素与合流区端部主线最外侧车道交通量具有非线性关系.在实际调查数据的基础上,采用广义神经网络对合流区主线最外侧车道的交通量进行了预测,并与实际调查数据对比,对比结果证明预测效果良好. 相似文献
5.
采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点.在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量. 相似文献
6.
基于偏最小二乘神经网络的公路通道交通量预测组合模型 总被引:1,自引:0,他引:1
针对公路通道交通量预测的复杂性,提出偏最小二乘神经网络组合模型。传统的预测方法需要考虑城市经济、人口、工业发展等因素,这些因素之间存在密切的相关性,往往使得预测精度降低。本文将针对这些不足进行改进,将偏最小二乘方法和改进神经网络方法相结合,提取对因变量解释最强的成分进行预测。将该预测模型应用于揭阳市公路网规划通道交通量预测中,取得了良好的效果。 相似文献
7.
本文针对城市道路设计中存在的与交通量有关的问题,作了简要的分析:并对交通量的预测及统计方法提出一些看法,仅供设计时参考使用。 相似文献
8.
基于径向基函数神经网络的交通量预测 总被引:1,自引:0,他引:1
采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。 相似文献
9.
《公路》2021,66(9):292-295
科学准确预测运营期高速公路通行量能够对运营决策提供关键性支撑,同时,对高速公路路网建设规划、国民经济评价及投资效益分析也至关重要。人工神经网络算法能够映射高速公路交通量产生与变化的非线性和复杂性规律。为了提高传统BP网络高速公路交通量预测精度,提出了改进算法,通过遗传算法优化网络初始权重,引入峰值理论和模糊算法提高网络模型对较大流量的预测准确度;将优化算法应用于网络模型,建立了基于改进GA-BP的模糊神经网络高速公路交通量预测模型;模型应用于太原市绕城高速公路长风东收费站交通量预测,将预测值与实际统计值进行对比;应用结果验证了改进神经网络模型的有效性和准确性。 相似文献
10.
公路隧道交通量的预测对隧道通风系统的节能以及降低隧道运营成本有很重要的意义。分别利用多元统计分析法和BP神经网络两种方法对公路隧道交通量进行了预测,并对两类预测数据进行分析比较,得出了多元统计分析法适用于车流量少而且稳定的公路隧道的预测,而BP神经网络法则适用于车流量大而且不稳定的公路隧道的预测的结论。 相似文献
11.
12.
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。 相似文献
13.
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. 相似文献
14.
15.
16.
17.
利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。 相似文献
18.
19.
为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度. 相似文献
20.
城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短,首先对路段传输模型(Link Transmission Model,LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model,D2LTM),并在此基础上引入时空深度张量神经网络模型(Spatial-temporal Deep Tensor Neural Networks,ST-DTNN)来捕获网络交通流数据中的时间维、空间维和深度维特征信息,形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D2LTM-STDTNN。该混合模型一方面通过D2LTM机理模型来揭示交通流演化的基本规律,发挥其对城市路网交通流状态时空演化过程的精细刻画能力,增强混合模型机理的可解释性;另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力,提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题,具有更细的空间粒度和时间粒度,因此也具有更大的预测难度。实测结果表明:D2LTM-STDTNN混合模型相对于基准模型预测精度更高,且具备模拟演化机理方面的优势,提升了城市路网短时交通流状态预测能力,揭示了路段间的交通流动态演化规律,可为网络交通流模拟推演和主动管控提供了技术支撑。 相似文献