基于PSO优化SVM的船舶流量预测算法

通过对上海洋山深水港口的船舶流量的调研以及对船舶交通流量影响因素的分析,建立支持向量机预测模型。同时为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法进行参数优化,建立较优的PSO-SVM预测模型。通过MATLAB仿真实验计算,将PSO-SVM模型与单纯的SVM预测模型和灰色神经网络预测模型结果进行对比分析,证明了该模型的可行性和优越性。     

一种数据融合BP神经网络的船舶流量预测算法

为解决现有船舶交通流量预测算法中存在的预测精度不高、算法稳定性差等不足,将一种数据融合BP神经网络的算法用于船舶流量的预测,不仅能较好地实现船舶流量的高精度预测,而且还增强了算法的稳定性。以宁波港口2012年船舶流量观察数据为实例进行分析,用MATLAB软件编程进行系统仿真,实验结果表明,经过数据融合的BP神经网络预测精度高,系统鲁棒性强,预测效果明显优于传统的BP神经网络算法。     

基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测

针对无线网络流量数据预测精度不高问题,提出一种基于蝙蝠算法(BA)优化的反向传播(BP)神经网络的分类预测模型——BABP.通过采用蝙蝠算法对BP神经网络模型的初始权值与阈值进行全局寻优,构建崭新的基于蝙蝠算法优化的神经网络模型.通过与基于传统寻优算法遗传算法(GA)与粒子群优化(PSO)算法的反向传播(BP)神经网络模型比较,在无线网络流量数据的分类预测和稳定性方面,提出的BABP模型要优于GABP模型、PSOBP模型;同时,无论迭代次数的多与少,BABP均比GABP、PSOBP算法更快地收敛.实验结果表明,BABP模型在预测精度、寻优速度以及模型稳定性等方面均比GABP、PSOBP模型更具优势.     

融合模拟退火算法的神经网络流量预测研究

为了提高网络流量预测的精度,针对BP网收敛极易陷入局部极小点的缺陷,引入模拟退火算法思想优化小波包神经网络,对网络流量数据的时间序列进行建模预测。先将原始网络流量序列进行小波包消噪,将消噪后的序列作为融合模拟退火思想的小波包神经网络的输入,待预测序列作为输出。通过消噪后的前N天的流量序列,预测出后M天流量序列。仿真实验结果表明,与直接利用小波神经网络预测的模型比较,融合了模拟退火算法思想的小波包神经网络具有更好的预测能力。     

基于FOA优化GRNN的船舶交通流预测模型

针对船舶交通流预测中存在复杂性、非线性、受限因素多等特点,运用果蝇优化算法,建立了优化的广义回归神经网络船舶交通流预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,从而实现对船舶交通流的预测。以东海大桥的船舶流量观测数据为实例对象进行分析,通过MATLAB进行仿真预测,实验结果表明:FOA-GRNN模型相比于传统的GRNN模型和BPNN模型具有更高的预测精度和泛化能力,有效地解决了预测过程中数据样本少、非线性拟合能力差等问题,对水路的规划、通航管理等方面具有一定的应用价值。     

基于遗传禁忌算法优化的模糊神经网络垂直切换算法*

综合考虑了遗传算法和禁忌算法的优点,将遗传禁忌算法、模糊理论和神经网络相结合,提出了一种基于遗传禁忌算法(GATS)优化的模糊神经网络垂直切换算法GATS-FNN,并在垂直切换的过程中加入了预判决模块,通过节点的筛选降低了系统成本和算法复杂程度。将网络信号强度、网络带宽、网络负载和用户终端移动速度进行了模糊处理,并采用遗传禁忌算法进行优化,调整隶属度函数的参数,仿真结果表明,该算法可以降低页面平均响应时间,为用户提供更好的服务。     

基于布谷鸟算法优化BP神经网络模型的股价预测

针对当前智能算法对股票市场预测精度不高的问题,提出使用布谷鸟算法优化神经网络(CS-BP)的方法,对股票市场进行预测。并与粒子群算法优化神经网络模型(PSO-BP)和遗传算法优化神经网络模型(GA-BP)的测试结果进行比较。通过对SZ300091(金通灵)日线的收盘价数据回测分析看出,布谷鸟算法优化神经网络模型明显优于这两种算法,能有效对股票市场进行预测,对于30天的预测精度约为98.633%。     

基于神经网络和遗传算法的VBR通信流量预测

论文阐述了利用神经网络预测由连续自动回归(AR)马尔可夫模型所代表的可变位速率通信流量(VBR);在这一理论的基础上,介绍一个BP神经网络模型,它采用拆分,组装方法来构造一个学习结果达到均方根误差全局最小点的BP神经网络,该方法结合遗传算法能有效克服局部极小点,缩短学习时间和减小学习难度,并能够精确地预测VBR通信流量。     

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。     

基于混合GA优化LSTM的中小流域流量预测研究

为了提高中小流域流量预测的精度,提出一种混合遗传算法(SP_GA)优化长短时记忆神经网络(LSTM)的流量预测模型(SP_GA-LSTM).由于LSTM模型参数难以确定,因此采用SP_GA进行参数寻优.SP_GA算法在遗传算法中引入粒子群算法公式作为变异算子,并且在种群进化后期进行模拟退火操作,以此提高算法的收敛速度和...     

基于模糊神经网络的ATM网络业务量智能预测

文章尝试将模糊神经网络方法引入ATM网络的业务量预测中。ATM网络业务源一般是随机产生的时变信号,其模型一般很难描述。文章充分考虑了模糊神经网络的学习功能,通过对相关模型的仿真,能够很好地描述ATM网络中的业务流特性,对多媒体的业务量做出了准确的预测。与传统的神经网络方法比较,具有更好的逼近效果。     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

基于改进禁忌算法和ANN 的故障诊断推理

针对BP神经网络存在着容易陷入局部极小值且收敛速度慢的问题,提出了一种基于改进禁忌算法和ANN（Artificial neural network）结合的故障诊断模型．首先对故障诊断模型进行了定义,然后使用训练数据对网络的权值、阀值等参数进行训练,将训练结果作为改进禁忌优化算法的初始解进行全局寻优,对改进的禁忌优化算法进行了定义和描述,最后将全局寻优的结果代入神经网络中,使用测试数据进行故障诊断．通过仿真实验证明文中的方法与未经优化的ANN故障诊断模型相比,克服了传统方法的不足,具有诊断精度高、诊断速度快以及收敛速度快的特点．     

基于禁忌搜索的模糊神经网络结构优化

本文提出了一种基于禁忌搜索的模糊神经网络自动优化学习方法（fuzzy neural network based on tabusearch,FNNTS）。该方法利用禁忌搜索算法搜索最优的模糊神经网络结构,并结合最小二乘法和梯度下降法对网络参数进行学习,大大减少了对专家知识的依赖。非线性函数逼近的实验结果表明,所提出的方法能获得更精练的网络结构和更小的误差,从而验证了本文方法的有效性和可行性。     

基于模糊神经网络的道路交叉口交通控制方法

提出了一种基于模糊神经网络的道路交叉口交通控制方法,分别把关键车流信息和非关键车流信息作为控制输入,采用两级控制器结构,综合形成控制策略。仿真结果表明,与传统的定时控制方法和只考虑关键车流的情形相比,所提出的两级神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进。     

基于相互学习的短时交通流预测研究

交通流预测是智能交通系统（ITS）的核心,其中时空特性是最主要的特征。由于不同道路之间存在复杂的空间相关性和时间依赖性,因此交通流预测成为一项具有挑战性的任务。目前,基于图卷积神经网络的预测方法在网络局部以及整体的特征感知和提取方面,仍存在优化空间。为了解决以上问题,本文提出了一种基于图神经网络的优化模型：Diffusion Mutual Convolutional Recurrent Neural Network (DMCRNN)。该模型以DCRNN为基准模型,利用相互学习策略对其进行优化。在训练过程中,两个DCRNN网络之间相互学习、相互指导,以此来增强每个网络的特征学习能力。在METR-LA和PEMS-BAY两个真实数据集上验证优化策略的有效性。结果表明,经过优化后的模型预测误差显著降低,在两个数据集上一小时的MAE分别降低了0.15和0.12,即相互学习优化策略具有较好的性能。     

Traffm chaos and its prediction based on a nonlinear car-following model

This paper discusses the dynamic behavior and its predictions for a simulated traffic flow based on the nonlinear response of a vehicle to the leading car＇s movement in a single lane. Traffic chaos is a promising field, and chaos theory has been applied to identify and predict its chaotic movement. A simulated traffic flow is generated using a car-following model（ GM model）, and the distance between two cars is investigated for its dynamic properties. A positive Lyapunov exponent confirms the existence of chaotic behavior in the GM model. A new algorithm using a RBF NN （radial basis function neural network） is proposed to predict this traffic chaos. The experiment shows that the chaotic degree and predictable degree are determined by the first Lyapunov exponent. The algorithm proposed in this paper can be generalized to recognize and predict the chaos of short-time traffic flow series     

Traffic chaos and its prediction based on a nonlinear car-following model

This paper discusses the dynamic behavior and its predictions for a simulated traffic flow based on the nonlinear response of a vehicle to the leading car's movement in a single lane.Traffic chaos is a promising field,and chaos theory has been applied to identify and predict its chaotic movement.A simulated traffic flow is generated using a car-following model(GM model),and the distance between two cars is investigated for its dynamic properties.A positive Lyapunov exponent confirms the existence of chaotic behavior in the GM model.A new algorithm using a RBF NN (radial basis function neural network) is proposed to predict this traffic chaos.The experiment shows that the chaotic degree and predictable degree are determined by the first Lyapunov exponent.The algorithm proposed in this paper can be generalized to recognize and predict the chaos of short-time traffic flow series.     

基于长短期记忆网络的高速公路车辆变道轨迹预测模型

高速公路车辆车速、车距、行驶方向等因素都是动态变化的,受外界环境干扰,采集到的目标车辆状态特征数据可能存在噪声,导致车辆变道轨迹预测存在误差,为此提出基于长短期记忆网络的高速公路车辆变道轨迹预测模型,有效预测高速公路车辆变道轨迹,改善车辆行驶条件,保障其安全运行。通过激光雷达、GPS等装置采集目标车辆交通数据,将其合理组合成目标车辆状态观测特征向量,并构建相应的特征向量矩阵,将所构建目标车辆状态观测特征向量矩阵作为1层卷积神经网路输入,提取目标车辆状态观测特征向量潜在特征后,以1层卷积神经网络输出结果为双向长短期记忆网络有效输入,经过无数次模型训练后,输出目标车辆变道轨迹预测结果。实验结果表明:该模型可有效预测高速公路车辆变道轨迹,预测出的轨迹横纵坐标误差极低,能够得到较为理想的高速公路车辆变道轨迹预测结果。     

Traffic chaos and its p rediction based on a nonlinear car-f ollowing model

This paper discusses the dynamic behavior and its predictions for a simulated traffic flow based on the nonlinear response of a vehicle to the leading car’s movement in a single lane. Traffic chaos is a promising field ,and chaos theory has been applied to identify and predict its chaotic movement . A simulated traffic flow is generated using a car-following model (GM model) , and the distance between two cars is investigated for its dynamic properties. A positive Lyapunov exponent confirms the existence of chaotic behavior in the GM model. A new algorithm using a RBF NN (radial basis function neural network) is proposed to predict this traffic chaos. The experiment shows that the chaotic degree and predictable degree are determined by the first Lyapunov exponent . The algorithm proposed in this paper can be generalized to recognize and predict the chaos of short- time traffic flow series.