一种基于动态递归神经网络的交通流量实时预测方法

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

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．     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

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     

短时交通流智能混合预测技术

为了克服现有单项预测技术对不同交通流状况的局限性,提出一种新的短时交通流智能混合预测模型.该智能混合预测模型包括3个子模型:历史平均模型、人工神经网络模型和模糊综合模型.历史平均模型以历史数据为基础,利用一次指数平滑法良好的静态稳定特性,对交通流量进行预测.人工神经网络模型采用常见的由S函数神经元组成的1.5层前馈神经网络,由于人工神经网络具有强大的动态非线性映射能力,该模型对动态交通流量的预测具有较高的精度和满意度.根据上述2个单项模型的特点,为了充分利用它们对不同交通状况的适应性,进一步提高整体预测效果,采用模糊逻辑来综合这2个单项模型的输出,并把模糊综合模型的输出作为整个智能混合模型的最终交通流量预测值.实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.     

基于免疫算法优化LSSVM的短时交通流预测

为了智能化解决城市道路交通系统存在的问题,提高短时交通流预测的准确性,采用免疫算法优化的最小二乘支持向量机(LSSVM)建立短时交通流量预测模型。利用免疫算法对LSSVM中的惩罚因子和核函数参数进行优化,得到最优预测模型。以车辆行驶平均速度和占有率作为模型输入,交通流量作为输出进行预测仿真试验。试验结果表明:本文采用的优化LSSVM模型进行仿真试验的预测误差有所减小,输出结果更接近真实值。     

基于混沌理论的交通流短时预测模型

交通流预测是交通系统可行性分析、交通设计和交通管控的基础,短时预测是交通流预测的难点.论文在分析现有交通流预测方法的基础上,提出了一种基于混沌理论的交通流短时预测方法,利用基于小数据量的W olf改进算法计算了流率序列的最大Lyapunov指数.将基于Lya-punov指数的一维预测模式具体化,建立了交通流短时预测模型,并对模型进行了改进,改进后的预测结果具有较高的精度.该模型在智能交通系统(ITS)的交通控制与诱导方面具有广阔的应用前景.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

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．     

基于人工智能的城市交通系统关键技术研究

通过对城市智能交通系统的数据组织形式、数据结构的分析 ,确立了以四叉树形式组织空间信息的方法 ,以及知识库中规则表示形式 ,提出了用启发式图搜索策略 ,改进逐层回溯策略的方法 ,建立并实现了交通图中求解最优路径的算法 .     

Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system

The accurate prediction of vehicle speed plays an important role in vehicle’s real-time energy management and online optimization control. However, the current forecast methods are mostly based on traffic conditions to predict the speed, while ignoring the impact of the driver-vehicle-road system on the actual speed profile. In this paper, the correlation of velocity and its effect factors under various driving conditions were firstly analyzed based on driver-vehicle-road-traffic data records for a more accurate prediction model. With the modeling time and prediction time considered separately, the effectiveness and accuracy of several typical artificial-intelligence speed prediction algorithms were analyzed. The results show that the combination of niche immunegenetic algorithm-support vector machine (NIGA-SVM) prediction algorithm on the city roads with genetic algorithm-support vector machine (GA-SVM) prediction algorithm on the suburb roads and on the freeway can sharply improve the accuracy and timeliness of vehicle speed forecasting. Afterwards, the optimized GA-SVM vehicle speed prediction model was established in accordance with the optimized GA-SVM prediction algorithm at different times. And the test results verified its validity and rationality of the prediction algorithm.     

基于数学形态学的交通图像滤波处理方法研究

针对智能交通视频图像中常见的几种噪声源，阐述了数学形态学在交通图像滤波中的应用.结合实际拍摄的动态交通图像，提出了基于数学形态学和帧差法的交通图像噪声滤除方法.根据提出的算法方案，编写了Visual C++程序，进行了实验验证，并在此基础上比较了不同形态学算法对同一组交通图像的处理结果.从实验结果得出，该算法有效分离并较完整地保留了交通图像中的运动车辆，取得了良好的降噪处理效果.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

Decision-Making Models Based on Meta-Reinforcement Learning for Intelligent Vehicles at Urban Intersections

Behavioral decision-making at urban intersections is one of the primary difficulties currently impeding the development of intelligent vehicle technology. The problem is that existing decision-making algorithms cannot effectively deal with complex random scenarios at urban intersections. To deal with this, a deep deterministic policy gradient (DDPG) decision-making algorithm (T-DDPG) based on a time-series Markov decision process (T-MDP) was developed, where the state was extended to collect observations from several consecutive frames. Experiments found that T-DDPG performed better in terms of convergence and generalizability in complex intersection scenarios than a traditional DDPG algorithm. Furthermore, model-agnostic meta-learning (MAML) was incorporated into the T-DDPG algorithm to improve the training method, leading to a decision algorithm (T-MAML-DDPG) based on a secondary gradient. Simulation experiments of intersection scenarios were carried out on the Gym-Carla platform to verify and compare the decision models. The results showed that T-MAML-DDPG was able to easily deal with the random states of complex intersection scenarios, which could improve traffic safety and efficiency. The above decision-making models based on meta-reinforcement learning are significant for enhancing the decision-making ability of intelligent vehicles at urban intersections.     

基于个性化联邦学习的无线通信流量预测

提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet，各个边缘计算服务器在中心服务器的协调下进行协同训练，中心服务器利用KL散度挑选出流量分布相似的区域流量模型，并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合，以较低的复杂度和通信开销实现城市全域流量预测。此外，城市范围内不同地区流量具有高度差异化的特征，为此，在Fed-DenseNet算法基础上，提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet，将本地区的各个区域性数据特征作为合作博弈的参与者，通过合作博弈的超可加性准则，进行本地区特征的筛选，从而达到既能提高模型的泛化性，又能够保持对本地流量精准刻画的目的。     

基于GBDT和SVM的光伏发电出力预测研究

梯度提升决策树（GBDT）和支持向量机（SVM）是预测光伏出力的两种常用算法。分析了光伏发电出力的影响因素，介绍了GBDT算法和SVM算法的原理，以及基于两种算法的光伏出力预测模型的流程，并进行对比分析。实验结果表明，基于GBDT算法的光伏出力预测模型的平均绝对相对误差和均方根误差都较小，预测效果更好。