含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要;建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度;首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测;分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值;采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

联合EMD和FSVM的非平稳时间序列预测

提出一种基于经验模态分解(EMD)和模糊支持向量机(FSVM)的非平稳时间序列组合预测方法。首先,利用EMD对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度;然后,利用模糊支持向量机对EMD分解后的各固有模态函数进行预测;最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的Lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与BP神经网络预测和传统的SVM预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。     

EMD在地面气温预测中的应用

利用Hilbert-Huang变换的核心内容之一经验模态分解法(记为EMD)对石家庄市的逐月地面气温距平资料(从1951年至2002年,共52年)进行分解,利用神经网络对分解后的各分量进行预测,再将预测结果叠加,预测结果显示,经验模态分解降低了被预测信号中的非平稳性,其预测精度比直接用神经网络预测的预测精度有较明显的提高.     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构（PSR）、经验模态分解(EMD) 和径向基神经网络(RBFNN) 的 冷负荷组合预测模型。该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分 为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构。该方法应 用于实际冷站负荷预测后,与单一RBFNN、SVM、LSSVM及基于EMD的SVM、基于EMD的RBFNN5类方法进行比较,结果 表明该方法对冷负荷预测精度有明显提高。     

经验模态分解法在大气时间序列预测中的应用

介绍了一种可以提高非平稳时间序列预测精度的新方法, 该方法应用 Hilbert-Huang 变换的核心内容---经验模态分解法 (Empirical mode decomposition, EMD) 对非平稳时间序列进行分解, 以降低被预测信号中的非平稳性, 利用神经网络对分解后的各分量进行预测, 再将预测结果叠加. 利用该方法对石家庄市年逐月降水量进行预测, 预测结果显示, 其预测精度比直接用神经网络预测的预测精度有较明显的提高.     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构(PSR)、经验模态分解(EMD)和径向基神经网络(RBFNN)的冷负荷组合预测模型.该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构...     

改进的EMD及其在风电功率预测中的应用

针对非平稳信号在经验模态分解(Empirical Mode Decomposition,EMD)过程中包络拟合时出现的过冲/欠冲问题,提出采用分段三次Hermite插值代替三次样条插值作为新的包络拟合算法.针对神经网络对非平稳性功率序列预测困难问题,采用EMD和神经网络相结合的方法对发电功率进行预测.使用改进的EMD对...     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

EMD-LSTM模型对金融时间序列的预测

针对金融时间序列高噪声以及非线性的特点,提出一种基于经验模态分解（EMD）和长短期记忆（LSTM）网络的金融时间序列预测模型。为避免对整体序列只进行一次经验模态分解后的模型训练过程中使用测试集的信息,将时间序列数据通过一定大小的时间窗口进行多步经验模态分解,并对分解后的序列去噪重构,再将重构后的序列作为LSTM网络的输入,得到最终的预测结果。利用上证综指数据,将其与标准LSTM模型以及常见的结合EMD的预测方法进行对比,结果表明提出的EMD-LSTM模型具有更好的预测效果。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于时间序列与BP-ANN的短时交通流速度预测模型研究

针对现有的交通流速度预测模型使用唯一数据集且模型单一的问题,提出一种时间序列与人工神经网络相结合的预测模型。该模型通过时间序列分别对实时数据和历史数据建模预测,并应用人工神经网络调整实时数据和历史数据的预测值。实验结果表明该预测模型能够将预测误差控制在7%以内,且能够对不同输入参数下的短时交通流速度进行有效预测。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。     

基于增加动量项方法优化的交通流量预测算法

交通流量预测是智能交通系统的核心内容,系统中多个功能的实现都是以其为基础。针对城市路网中交通流量的时域性以及准周期特性,提出了一种基于改进小波神经网路算法的交通流量预测方法。利用具有时域分辨能力的小波神经网络对流量信号进行分类,以实现对交通流量的预测;采用加动量项的方法对网络权值及参数进行修正,避免了神经网络训练时收敛缓慢以及陷入局部极小。通过仿真实验验证,提出方法可实现对交通流量的准确预测,并且可以有效地提高网络学习率。     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

一种新的智能变电站网络流量预测方法研究

随着智能变电站网络改造的逐步实施,智能变电站网络流程预测技术开始被业界重视起来,智能变电站网络流量一旦发生异常,将直接影响到继电保护装置动作的可靠性、快速性和灵敏性.论文首先将灰色理论和人工神经网络算法相结合,构建灰色神经网络模型并对其进行分析;然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进,提出一种基于改进的灰色神经网络智能变电站网络流量预测模型;最后以智能变电站的站控层交换机网络流量数据为例,以采集的原始频率数据为基础进行仿真验证,实验表明,该模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。