基于ANFIS交通流实时预测及在MATLAB中的实现

分析了模糊推理预测模型和神经网络预测模型在交通流实时预测中的优缺点,采用ANFIS预测模型将二者结合起来,发挥两个模型各自的优势,弥补彼此的不足,通过预测结果表明该模型能够更直观、更精确地对交通流进行实时预测.     

基于MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

MATLAB在神经网络设计中的应用

重点阐述如何用NATLAB软件来解决实际工程中的神经网络的设计问题,对网络种类选择、结构参数的确定、网络输入输出数据的归一化处理等问题都进行了必要的阐述,文中给出了程序流程与实例,证明将NATLAB用于神经网络的设计是有效可行的。     

基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用

采用BP神经网络建立公路货运量组合预测的理论模型,灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能,有效克服传统的组合预测方法在实际应用中把数据间的关系强加给某一类函数的不足,并借助于先进的数学计算软件MATLAB进行简单的编程,大大降低模型的计算难度,实例证明该方法具有更高的预测精度。     

基于神经网络的路口交通流转向比预测

为了预测路口交通信号控制所需的转向交通流量,提出了基于改进BP(back-propagation)神经网络的路口交通流转向比预测模型,给出了相应参数的计算方法;采用自适应学习率和动量梯度下降法以提高神经网络的学习速度和算法的可靠性,并用调查数据对模型进行了检验.研究结果表明,与传统的平均值法相比,用所提出的模型,平均绝对相对误差减小约1%~3%.     

遗传算法在MATLAB环境中的实现

探讨了在ＭＡＴＬＡＢ环境中实现遗传算法仿真的方法,并以一个简单的求函数最值的问题作为遗传算的应用实例,说明遗传算法的全局寻优性及用ＭＡＴＬＡＢ实现仿真的可行性。     

高速公路交通流参数实时预测AML法

探讨了用于高速公路交通流参数实时预测类型,提出了交通流参数的线性神经网络方法,且利用该法对交通量、时间占有率和点速度的实时预测进行了应用性研究.     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

遗传—神经网络在交通流预测中的应用

提出一种基于BP神经网络的遗传算法,分别利用其局部和全局寻优能力强的特点,综合为一种新的优化算法,并将改进的算法应用于交通流预测中。结果表明,改进方法的预测效果优于单一使用BP神经网络进行预测的效果。     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。     

基于BP神经网络的轨道交通客流量预测

通过对BP神经网络的研究,借助MATLAB软件及其神经网络工具箱的应用学习,对非线性函数进行逼近,通过特定设计函数对所需要建立的神经网络模型进行训练,并且利用仿真来判断误差结果,得出符合模型的合理权值以及阈值,最后根据已有年数据进行轨道交通客流量的预测.     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

基于径向基函数神经网络的交通事故预测

基于径向基神经网络强大且准确的非线性关系映射能力,将其应用于交通事故预测中,获得了较高的预测精度。同时,与BP神经网络预测结果的对比表明,径向基神经网络预测方法明显优于BP神经网络预测方法。     

基于模糊数学的公路交通量预测方法

在交通量资料少且规律性不强的情况下,设计年限内平均日交通量和交通量年平均增长率两项参数不易直接确定,而与之相关的参数如人口、经济、汽车保有量等有着不同的权重。鉴于此,利用模糊数学和线性规划的有关理论,通过模糊预测模型对某地区的交通量进行预测,并根据不同的影响因素,采用不同的权重对其进行交通量分配。实例分析表明,该方法更加客观、合理,具有一定的应用价值。     

基于模糊神经网络的交通事故微观预测方法研究

道路交通事故微观预测包括对路段和交叉口事故指标的预测．本文总结现有预测方法的优劣性,探讨现有预测方法的改善方向,提出了基于模糊神经网络的交通事故微观预测方法,分析了网络结构和学习算法。以石河子市交通事故调查数据进行实例分析,选择路段事故影响因素作为输入变量,通过Matlab编程实现模糊神经网络的算法,并与负二项回归模型...     

����BP����������Ԥ��ģ�ͼ����ڹ�·������Ԥ���е�Ӧ��

组合预测方法与单一预测方法相比可以提高预测的精度和稳定性，因此得到广泛的应用。本文首先概述了组合预测的基本思想，然后介绍了基于BP神经网络的组合预测模型，并以吉林省公路货运量为例给出计算实例，实例的预测结果非常理想，同时也用数理统计的方法证明了此模型的适用性。统计分析和实践都证明此模型的可行性和适用性，说明将此模型用于公路交通运输量预测是有效可行的。     

基于KPCA和ANFIS的色彩校正

提出结合核主成分分析（KPCA）和自适应神经模糊推理系统（ANFIS）的色彩校正（KPCA_ANFIS）算法.首先将数据通过核函数映射到高维空间,再通过KPCA提取主成分,最后通过ANFIS学习达到色彩校正的目的.实验结果验证了ANFIS用于色彩校正的可行性和有效性,KPCA_ANFIS算法的精度和鲁棒性均优于传统ANFIS.对测试数据（训练数据）的平均误差、最大误差和标准差较传统ANFIS分别下降了37%（45%）,34%（40%）和35%（40%）.