基于相空间重构的GQPSO-WNN短时交通流预测

交通流预测有助于减少交通拥堵和交通事故发生。在定量分析交通流变化过程的混沌特性以及可预测性基础上,提出一种基于相空间的GQPSO-WNN的混合预测模型。引入遗传算法,使用混合优化后的量子粒子群算法初始化小波神经网络的各项参数,克服网络因初始值设置不当造成无法收敛或陷入多个局部极小值的问题。由于神经网络输入的随机性,采用重新构建交通流时间序列的相空间技术,用重构后的数据作为输入样本。实验结果表明,与WNN、PSO-WNN预测模型相比,该模型可以更加准确预测交通流,算法收敛性也有明显提高。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

改进混沌遗传算法优化BP神经网络的短时交通流预测

BP神经网络算法被广泛地应用于短时交通流预测模型中,但是该算法存在的缺陷降低了预测的准确性.为克服上述缺陷,引入混沌遗传算法(CGA)来进行改进,用混沌遗传算法得到的最优解作为BP神经网络算法的初始值改进算法的缺陷.通过实验结果分析,改进后的算法模型对短时交通流的预测具有了更高的准确性.     

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

基于遗传BP神经网络的短时交通流预测

为了预测未来一段时间的短时交通流,提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入,未来短时流量作为输出,采用单步预测。为了缩短收敛时间,避免陷入局部极小值,用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明,未优化的BP神经网络预测精度较低,且收敛时间较长;而遗传优化算法使预测精度及收敛速度得到极大改善,但样本的数量及质量是影响预测精度的关键要素。     

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.     

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。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

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。     

遗传算法优化延迟时间和嵌入维的网络流量预测

为了提高网络流量的预测精度,利用延迟时间（τ）和嵌入维（m）间的联系,提出一种遗传算法优化τ、m的网络流量预测模型（GA-PSR）。将τ和m作为遗传算法的个体,以网络流量预测精度作为目标函数,通过选择、交叉、变异等操作找到最优τ和m值,重构网络流量序列,采用BP网络对网络流量建立单步、多步预测模型。仿真实验结果表明,相对于对比模型,GA-PSR提高了网络流量的预测精度。     

基于CNN-XGBoost的短时交通流预测

为准确预测短时交通流,缓解交通拥堵提高交通运行效率,提出一种基于CNN-XGBoost的短时交通流预测方法。结合短时交通流数据的时间相关性和空间相关性,将本路段和邻近路段的历史数据一同作为输入进行预测。利用卷积神经网络(convolutional neural networks,CNN)实现特征提取以减少数据冗余性,提出一种参数经果蝇算法优化的XGBoost模型用于交通流量预测。实例验证结果表明,CNN可对时间和空间结合下的交通流数据进行有效特征提取;相比SVR、LSTM等模型,改进的XGBoost模型下的交通流量预测误差明显减小。     

基于时空节点选择和深度学习的城市道路短时交通流预测

针对目前交通流短时预测对于交通流特性考虑得不够全面、预测精度不高的问题,提出一种基于时空节点选择和深度学习的城市道路交通流短时预测方法。首先,在理论和数据表现上对交通流特性进行分析,获得时空特性;其次,根据车流的可达范围确定候选时空节点集合,以误差平方和的倒数为目标函数计算适应度,在训练集上使用遗传算法和反向传播神经网络(BPNN)进行时空节点选择,得到最终的时空节点和训练好的BPNN;最后,在工作集上将选择的时空节点的实测值输入训练好的BPNN得出预测值。实验结果表明,所提模型与仅使用相邻时空节点数据、采用其他时间节点范围、支持向量机(SVM)和梯度提升树(GBDT)相比误差略有降低,平均绝对误差(MAE)和平均绝对百分误差(MAPE)分别为10.6316和14.2758%;仅使用与待预测路段相邻空间的交通流数据的预测结果相比MAE和MAPE两个值上分别高出了0.2573和0.9991个百分点。     

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IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习...