基于ESN和Elman神经网络的交通流预测对比研究

实时准确的短时交通流预测是实现智能交通系统中交通控制和交通诱导的关键技术之一。由于短时交通流数据的复杂性,首先采用饱和关联维数法和Cao氏法对交通流时间序列的嵌入维数和延迟时间进行计算,并采用Wolf方法计算相空间重构后的交通流时间序列的最大Lyapunov指数。结果表明,交通流时间序列具有混沌特性,可预测性较好。随后,分别采用基于ESN和Elman神经网络的预测方法对交通流时间序列进行预测,结果表明,两者在预测精度相当的情况下,前者的训练速度较后者有了极大的提高。     

城市交通短时交通信息自适应遗传预测方法

目的 根据交通流特性,建立短时交通信息预测模型,预测短时交通信息.方法 在大规模、时变路网中,采用遗传算法进行短时交通信息的预测,建立了一种基于自适应遗传算法的短时交通信息预测模型,给出了相应的自适应遗传和变异算子,提出了适用于交通信息预测的模型评价指标.结果 仿真试验表明自适应遗传算法短时交通流预测模型可以满足大规模路网中交通信息预测的准确性、实时性和快速性要求.结论 采用自适应遗传算法进行交通信息预测优于基本遗传算法.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

基于多源数据融合的高速公路路网短时交通流参数实时预测

针对高速公路路网交通数据中存在大量噪声数据与缺失数据,数据完整度较低,导致预测精度下降的问题,提出一种基于多源数据融合的高速公路路网短时交通流参数实时预测方法。采用小波分析阈值法对高速公路路网交通数据进行去噪处理,在最小二乘支持向量机基础上采用组合阈值填补方法填补交通数据序列中存在的缺失数据,提高交通数据的完整度。结合小波神经网络和遗传算法建立短时交通流参数预测模型,采用遗传-小波神经网络处理多源检测器采集到的交通流参数,通过最小二乘动态加权融合算法融合多个检测器的交通流参数,将交通流参数输入预测模型中,得到高速公路路网短时交通流参数实时预测结果。实验结果表明,采用本文方法处理后的交通数据序列中不存在缺失数据,数据完整度较高,且所得预测结果与实际车流量变化曲线较为贴近,预测精度高,可以广泛应用在交通流预测领域。     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

基于时空特性和灰色神经网络的短时交通流预测

为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。     

基于改进模式序列匹配的交通运行指数预测研究

北京市交通运行指数是定量反映北京市路网拥堵状态的重要指标,交通运行状态预测是构建智慧交通系统的重要研究内容.在模式序列匹配算法(PSF)基础上优化预测序列权重,针对交通运行指数的时序相关性,增加了基于反距离权重的时间衰减因子,提高了临近序列在交通运行模式匹配计算中的重要性.实验结果表明:与传统时间序列模型(ARIMA)、深度学习模型(LSTM)和标准模式序列匹配算法进行对比分析,改进的模式序列匹配预测算法有着较高的预测精度,且具有较强的自适应性.     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

基于灰色ELM神经网络的短时交通流量预测

为了提高短时交通流预测的精度,针对现有灰色模型,利用一阶线性微分白化方程拟合交通流数据。针对交通流数据波动性较高和易失真的缺点,提出一种基于灰色ELM神经网络的短时交通流预测方法。首先对短时交通流数据采用灰色模型累加处理,将其转化为长时交通流数据,以降低交通流数据的随机性,有效减小因数据本身波动造成的误差。然后,利用ELM神经网络代替一阶线性微分白化方程,对长时交通流进行预测。最后,将长时交通流预测结果经过累减还原为短时交通流预测结果,有效提高了预测精度。仿真验证结果表明,相比于现有的一些预测方法,该方法提高了预测精度,是一种有效的短时交通流预测方法。     

基于混沌小波网络的交通流预测算法研究

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要.结合交通流预测的特点,提出了一种基于小波网络的路段交通流预测方法,把混沌优化算法引入小波网络的拓扑构造,结合提出的相似时段的预测思想,给出了一种基于混沌优化算法的小波网络交通流量预测模型.实验结果表明,引入相似时段的预测思想可以有效提高交通流的预测精度,基于混沌优化算法的小波网络在交通流预测的精度和收敛速度方面明显优于常规BP网络     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

基于负荷混沌特性的改进Lyapunov指数预测法

针对目前常用负荷预测方法多依赖主观经验,为了提高预测精度,从相空间重构理论出发。结合负荷序列的混沌特性,提出了一种计算最大Lyapunov指数的改进算法。改进算法中引入一种取舍规则,提高了最大Lyapunov指数提取精度。利用改进算法建立实际电力月负荷预测模型,实际应用结果表明该模型具有一定实用价值。     

交通流量的预测仿真

从城市交通规划的角度出发,根据交通流的特性,建立了基于广义回归神经网络的交通流预测模型和基于跟驰理论的仿真模型,并将此模型应用于天津市外环线的某路口,预测了该路口未来某高峰时刻的交通流量,模拟仿真了其交通运行特性,为今后该路口的交通规划和管理提供了直观、科学的数据.     

胎儿瞬时心率信号的非线性分析

心率包含自治神经系统协作活动的可靠信息,对FHR信号进行研究有助于对胎儿健康状况的诊断,因此本文利用非线性时间序列的分析方法对健康胎儿心率（FHR）信号的动力学特性展开研究,利用超声多普勒监护仪测取FHR信号,选取85例健康信号进行分析,结果表明：由健康的FHR信号重构的吸引子明显区别于周期吸引子和噪声,最大Lyapunov指数LLE为0.11±0.04,关联维为58±0.34,替代数据测试表明原数据显著区别于替代数据集,因此健康胎儿的FHR信号具有非线性混沌特征,所描述的系统是一个高维混沌系统。     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

Prediction of elevator traffic flow based on SVM and phase space reconstruction

To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized.