基于BP神经网络的高速公路交通量预测

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用BP神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

基于遗传-神经网络的交通量预测

分析了遗传算法 (Genetic Algorithm,GA)和人工神经网络 (Artificial Neural Network,ANN)的优缺点 ,在此基础上提出了将遗传算法与人工神经网络有机结合起来的遗传 -神经网络预测模型 ,并将此模型用于河北省交通量预测 ,其预测结果的精度明显得到提高 ,表明遗传 -神经网络预测模型可以作为交通量预测的一种有效手段。     

基于小波-Elman神经网络的信号交叉口首车到达时间预测

信号交叉口首车到达时间与交叉口进口道的延误等参数具有密切的关系。论文选取信号交叉口首车到达交叉口时间与红灯启亮时间的时间差作为分析对象,对首车的到达时间进行了预测。考虑到周期时长的首车到达时间序列数据波动性较大,首先,使用了互信息法和Cao方法确定了相关参数,并应用最大李雅普诺夫指数判别时间差时间序列的混沌特性,然后,运用小波-Elman神经网络预测方法对首车的到达时间进行了预测,结果表明,预测数据的误差均值为3.13s。研究成果为信号交叉口延误参数的提取和信号配时优化提供了可靠的数据来源。     

一种信号交叉口模糊交通控制方法

通过分析城市信号交叉的交通流特征认为：在一定程度上,模糊数学理论可以比目前常规数学方法更好地描述交叉口交通流的随机性和不确定性。本文结合模糊控制技术及一般信号交叉口交通控制方法,提出了一种基于知识的模糊交通控制方法,给出了该控制方法的结构,模糊控制规则以及仿真计算对比结果,结果表明：计算过程简单,控制效果优于定时控制方法,并且在交通量较大时,还优于感应控制方法。     

基于交通流仿真和神经网络模型的交叉口流量预测研究

交叉口是道路交通的关键节点,其流量数据具有明显的非线性特征.本文提出一个两阶段预测模型对交叉口交通流特征进行预测.首先,通过交通流仿真技术对各交叉口进行仿真,并获得仿真流量,然后通过神经网络训练,预测交叉口各流向的交通流量.通过两个阶段不断迭代,校正构建具有高精度、泛化性能强的预测模型.最后,选取贵阳市31个具有代表性的交叉口的流量调查数据作为样本数据,将其中18个交叉口的仿真预测流量和实际观测流量作为神经网络模型的输入/输出因子,通过训练构建神经网络模型并验证模型的有效性.之后,将剩余交叉口的仿真流量数据作为模型的输入,模型输出数据即为修正的交叉口进口道的交通流量分布特征数据.结果表明:该方法具有数据收敛速度快,运算量小等特点,对于交叉口流量数据的预测具有很好的适用性.     

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks, FNN)和模型预测控制(Model predictive control, MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型。直径预测模型测试结果表明：平均相对误差仅为0.028 7%,预测精度极高。通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量。通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产。     

基于模糊神经网络的农作物虫情预测

针对农作物虫害发生比较多，且具有复杂性和模糊性的特点，以及模糊神经网络在解决非线性复杂问题方面具有的独特优势，提出了一种基于模糊神经网络的农作物虫情预测方法。该方法结合了模糊逻辑理论、人工神经网络优点，推理速度快。仿真结果表明，该方法不仅操作适用方便，而且虫情预测的结果准确，具有广泛的应用价值。     

基于遗传-小波神经网络的短时交通量预测

针对短时交通量的高度非线性,提出一种基于遗传-小波神经网络的预测方法.该方法以前馈多层感知器的神经网络拓扑结构为基础,选择Morlet母小波基函数作为隐含层激活函数,以最简化结构概念进行网络泛化,并将误差反向传播,经遗传算法对网络连接权值修正.实例证明,该方法预测精度高,预测速度较快,能够满足实际工程的要求.     

Delay Estimates of Mixed Traffic Flow at Signalized Intersections in China

Two characteristics of Chinese mixed traffic invalidate the conventional queuing delay estimates for western countries.First,the driving characteristics of Chinese drivers lead to different delays even though the other conditions are the same.Second,urban traffic flow in China is often hindered by pedestrians at intersections,such that imported intelligent traffic control systems do not work appropriately.Typical delay estimates for Chinese conditions were obtained from data for over 500 vehicle queues i...     

基于混沌神经网络的交通流预测算法

为提高 RBF 神经网络的交通流预测精度,提出基于混沌-RBF（Chaos-RBF,C-RBF）神经网络的交通流预测算法,该算法首先计算混沌相空间的嵌入维数和嵌入延迟,构造得到的相空间向量作为 RBF 神经网络的输入,其相空间次邻向量作为期望输出值,滚动训练得到神经网络的权值,然后以实际交通流作为输入,经由网络计算得到预测值。仿真结果表明该算法相比于 RBF 神经网络,预测精度提高 96%,证明了该算法的有效性。     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于RBF的交通流预测中加速OLS寻优

交通流量预测是目前研究热点之一,RBF神经网络对此类非线性问题有良好解决能力,故得到广泛应用.其中能自动确定RBF结构的OLS算法,因不依赖先验值且有助减少训练RBF的随机性,成为仿真建模的首选.探索了有助于加速OLS算法寻优的方法--S型函数标准化.数值实验结果证明该方法效果良好,具备应用价值.     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

考虑交通流不确定性的单交叉口信号配时方法

为应对交通系统的随机特性,提出一种考虑不确定性的单交叉口信号配时方法。首先应用季节性自回归平均移动-广义自回归条件异方差(seasonal autoregressive integrated moving average-generalized autoregressive conditional heteroskedasticity,SARIMA-GARCH)模型计算交叉口交通流的不确定性,然后根据得到的交通流不确定性特征,参考Webster模型,计算交叉口的信号配时参数,得到考虑交通流不确定性的单交叉口信号配时方案。最后,以南京市一交叉口为研究对象,应用实际数据,计算得到17种不同交通不确定性水平下的单交叉口配时参数,并采用Paramics仿真软件分析了各信号配时方案的性能,验证了所提方法的有效性。     

基于最大Lyapunov指数的网络业务流量预测

在高速网络资源分配与拥塞控制研究中,网络业务流量的预报是一个具有重要意义的课题.基于准确的业务预报,网络管理和控制方案更易于适应业务流量的动态变化,从而达到优化网络性能的目的.而高速网络中大量存在着以自相似性为特征的多种业务流量.已有研究表明,这种自相似特性与混沌现象的吸引子有着紧密的联系.笔者利用混沌时间序列的重构相空间方法,对高速网络中自相似信源的速率做出了预测,并给出了最大可预报时间.该方法的预测模式简单,仿真结果表明,预测的精度也比较高.     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法.该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力.仿真结果表明,该预测方法能有效降低预测误差,与现有...