GA模糊神经网络在电梯群控交通流识别中应用

本文介绍了应用基于遗传算法的模糊神经网络的电梯群控系统的交通流模式的识别方法.采用正规化模糊神经网络学习和训练来识别电梯群控系统交通流模式,并用遗传算法优化输入特征向量的隶属函数,实验结果表明,该方法能够准确识别交通流模式.     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

电梯群控系统仿真平台的设计与应用

电梯群控算法是电梯群控系统的核心部分,为了测试各种群控算法的性能,本文提出了一种基于Delphi和Matlab的电梯群控系统仿真平台的设计方法.Delphi是新一代面向对象、可视化的编程环境,而Matlab具有强大的数值计算和图形处理能力,把二者结合起来,利用DDE技术实现二者的动态数据交换.该仿真平台能够产生交通流,并根据交通流进行模式识别,模拟实际梯群的运行,并对梯群进行仿真调度,分析仿真结果.它为测试电梯群控算法、仿真电梯运行过程、进行电梯配置等工作提供了一个方便的试验平台,是研究电梯群控系统必不可少的有力工具.     

高性能的电梯群控系统仿真平台的设计

电梯群控系统是现代建筑交通系统中重要组成部分,但国内现有电梯群控系统仿真平台往往存在稳定性差,不能按照实际情况连续产生多种交通流数据,不能长时间连续仿真等问题。为此,以VisualC++6.0为开发平台,加入SQLserver数据库作为后台,采用多线程、动态分配内存等技术,设计了稳定性高,能连续随机地产生各种电梯交通流,并能长时间连续仿真的高性能电梯群控系统仿真平台。     

基于异常值检测的电梯交通流预测方法

提出一种基于异常值检测的电梯交通流递归预测方法。对电梯交通流进行时间序列分析得到初始季节时间序列模型,引入异常值检测过程,检测出训练数据中的异常值并进行修正,利用修正序列得到最终的季节时间序列模型。把最终的季节时间序列模型转化为状态空间形式,通过卡尔曼滤波实时调整状态向量,实现电梯交通流的在线预测。仿真结果证明该方法有效。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量．根据 大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯 群控性能的关键．本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可 以在一天中根据不同的交通流状况，提供不同的群控策略,从而使电梯服务更优．仿真实验 表明了这种电梯调度方法是有效的．     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率，改善服务质量，根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高群控性能的关键，实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。     

面向动态导航系统的短时交通流SVR预测方法

短时交通流预测是动态导航系统中的重要技术,本文从城市道路交通流系统的高度复杂性特点出发,研究基于支持向量回归的短时交通流预测方法.通过分析动态导航系统对短时交通流预测的实时性、准确性要求,提出对交通流时间序列进行归一化处理,并通过相空间重构技术确定输入输出样本点集合,利用支持向量回归机建立输入输出间的函数关系以此作为预测模型.本文实例验证了基于相空间重构SVR预测方法的有效性.     

基于交通模式识别的电梯调度算法研究

分析了电梯各种交通模式的特征,采用模糊神经网络对交通模式进行识别,确定辨识交通模式的特征值,并用交通流来测试网络的正确性.测试结果表明,应用模糊神经网络对电梯交通模式进行识别可准确地反映交通流的状况.将交通模式识别的结果作为派梯的依据,对电梯群控系统根据不同交通状况采用相应的派梯策略可以起到指导作用.     

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HP滤波的ARMA-ABCSVR-GABP网络流量预测

针对当前网络流量无法根据流量变化的特征进行预测,且通过单一或者组合模型依然得不到较高准确率的问题,提出一种基于HP(High-Pass Fliter)滤波的流量预测模型.基于高铁站流量数据日高夜低的周期特性以及流量波动增长的长期趋势,依据HP滤波将网络流量分解成周期序列及趋势序列.利用自回归-滑动平均模型(ARMA)对...     

一种电梯交通流多模式预测方法的研究

在分析电梯交通流的基础上提出一种多模式预测方法．该方法首先利用人工免疫聚类算法(AICA)对电梯交通流进行离线的模式识别和分类，然后在此基础上利用高斯混合模型（GMM）对具有多种模式的电梯交通流进行数学建模．通过EM算法优化估计高斯混合模型的参数，得到了确定的高斯混合模型，从而实现对电梯交通流的在线预测．与其它预测方法的仿真结果进行了比较，体现出该方法的有效性和优越性．     

免疫规划K-均值聚类算法识别电梯群控交通流模式

提出了一种基于免疫规划K-均值聚类算法的电梯交通流模式识别新方法,以该系统前7 d的交通流数据为样本,采用免疫k-均值算法对其进行聚类分析,产生的类别对应交通流模式,将实时采样数据划分到交通流模式对应的类中,能够识别25种交通流模式;实验表明该方法识别电梯交通流模式正确率高,可以指导系统优化派梯策略,算法的收敛速度较快,能够满足群控系统的实时性要求.     

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。     

改进鲸鱼优化支持向量机的交通流量模糊粒化预测

针对支持向量机（SVM）在交通流量预测中存在波动性且预测精度低的问题,提出了采用模糊信息粒化（FIG）和改进鲸鱼优化算法（IWOA）的SVM模型来预测交通流量的变化趋势和动态区间。首先,对数据处理采用FIG方法进行处理,从而得到交通流量变化区间的上界（Up）、下界（Low）和趋势值（R）;其次,在鲸鱼优化算法（WOA）的种群初始化中采用动态对立学习来增加种群多样性,并引入了非线性收敛因子和自适应权重来增强算法的全局搜索及局部寻优能力,然后建立了IWOA模型,并分析了IWOA的复杂度;最后,以预测交通流量的均方误差（MSE）为目标函数,在IWOA迭代过程中不断优化SVM的超参数,建立了基于FIG-IWOA-SVM的交通流量区间预测模型。在国内和国外交通流量数据集上进行测试的结果表明,在国外交通流量预测上,与基于遗传算法优化的支持向量机（GA-SVM）、基于粒子群优化算法优化的支持向量机（PSO-SVM）和基于鲸鱼优化算法的支持向量机（WOA-SVM）相比,IWOA-SVM模型的平均绝对误差（MAE）分别降低了89.5%、81.5%和1.5%;而FIG-IWOA-SVM模型在交通流量动态区间和趋势预测上与FIG-GA-SVM、FIG-PSO-SVM和FIG-WOA-SVM等模型相比预测精度更高且预测范围更平稳。实验结果表明,在不增加算法复杂度的前提下,FIG-IWOA-SVM模型能够合理地预测交通流量的变化趋势和变化区间,为后续的交通规划和流量控制提供依据。     

电梯交通模式的模糊神经网络识别

交通模式识别的准确性将直接影响群控系统的整体性能,通过对各种电梯交通模式识别方法优、缺点的分析比较,考虑电梯交通模式的判断条件,结合神经网络和模糊推理,设计了一种基于模糊神经网络的电梯交通模式识别方法,该方法能够适应各种交通流模式的变化,并采用相应的电梯群控调度策略。     

新型电梯群控系统交通模式识别方法

电梯交通模式识别是电梯群控调度的一个关键问题.针对实时变化的电梯交通流数据,提出一种新型的电梯系统交通模式识别方法.在不增加数据采集量的基础上,首先对基本交通信息进行预处理,再采用多值分类的支持向量机算法,对电梯群控系统建立交通模式分类器.建立的分类器可以根据交通流数据的变化,自适应地识别出建筑物内的最大客流层及次大客流层(厅堂除外).仿真结果表明,这种交通模式识别方法能较准确地辨识出各种交通流模式,并且通过对比试验,证明该算法的识别准确率优于人工神经网络算法,体现出较好的泛化能力,实用性强.     

改进的FS算法选取支持向量回归机参数及应用*

针对支持向量回归机SVR的拟合精度和泛化能力取决于相关参数的选取,提出了基于改进FS算法的SVR参数选择方法,并应用于交通流预测的研究。FS(free search)算法是一种新的进化计算方法,提出基于相对密集度的灾变策略改进FS算法的个体初始位置选择机制,以扩大搜索空间,提高全局搜索能力。对实测交通流量进行滚动预测仿真实验,结果表明该方法优化SVR参数是有效、可行的,与经验估计法和遗传算法相比,得到的SVR模型具有更好的泛化性能和预测精度。     

基于小波神经网络的电梯交通流预测

小波神经网络随着输入维数的增加,网络参数将呈指数倍增加,导致收敛速度下降.在研究统计学理论的基础上,提出了以结构风险最小化为目标的训练方法.该方法最大限度地保证了网络的泛化能力.将该网络应用于电梯交通流的预测,得到了比传统BP神经网络更优的效果.