基于神经网络的交通发生量预测研究

交通发生吸引量预测是交通规划四阶段的首要步骤,其预测结果是城市规划布局及交通设施建设发展的重要依据.为了提高交通发生量预测准确性,利用K-means聚类分析对交通小区进行分组;对同组内样本小区各项土地利用及人口就业指标进行主成分分析,通过计算主成分载荷率为选择预测影响因素提供依据;针对各组样本分别建立BP神经网络模型,以土地利用和人口数据作为输入变量,小区交通发生量作为输出变量,以大连市城市交通调查数据为例对上述方法进行检验,并与传统回归模型预测结果进行比较.结果表明,在数据预处理基础上建立的BP神经网络模型具有较高预测精度.     

基于MATLAB神经网络工具箱的公交出行比例预测

在分析影响公交出行比例因素的基础上,运用城市已有的交通调查资料,建立了公交出行比例的BP神经网络预测模型,并利用MATLAB环境下的神经网络工具箱开发了相应程序.预测结果表明,该模型程序具有学习能力强、预测精度高、快速方便等特点,为公交出行比例的预测研究提供了一种可供借鉴的思路与方法,同时为用地规划、公交优先政策和需求管理政策的实施提供帮助.     

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.     

基于小波神经网络的加工番茄产量预测模型

基于小波分析和BP(back propagation)神经网络,建立加工番茄产量预测的小波神经网络模型,为制定合理的种植规划和管理决策提供科学依据.通过对新疆某番茄基地的历史数据进行分析,以温度、灌水量、氮肥、磷肥和钾肥的投入量作为模型的输入,番茄产量作为输出,建立5-10-1的预测模型.实验结果表明,预测值与实际值之间的最大相对误差仅为0.23%,收敛速度和预测精度均优于BP神经网络,实现了加工番茄产量的有效预测.     

城市土地开发交通生成预测方法的探讨

针对城市土地开发项目产生的新增交通量的问题,以北京市部分区域的居住区、商业区和办公区为例,结合我国城市土地开发状况、交通特点和经济水平,建立土地利用出行发生量和吸引量与土地利用相关指标、社会经济指标等变量之间的定量关系,进而根据规划年的土地利用推算出规划年土地开发的居民出行发生量和吸引量,并就土地开发交通生成预测方法中应注意的问题进行了初步探讨.建立其出行生成模型.     

基于BP神经网络的城市地震次生火灾起火率研究

选取房屋破倒率、震时地面加速度峰值、地震区域抗震设防烈度和地震发生时刻作为引发地震次生火灾的4个预测因子,结合中美日76条地震次生火灾统计数据,运用BP神经网络建立城市地震次生火灾起火率预测模型。分别运用BP神经网络模型和国内二项式拟合模型对实际样本起火率进行预测。结果表明:BP神经网络模型的预测结果与样本的实际起火率基本吻合;与国内二项式拟合模型相比,BP模型在地震次生火灾起火率的预测精度上有了较大提高,证实了BP神经网络适用于地震次生火灾起火率预测。以武汉市汉口地区为例,对该地区地震次生火灾起火率进行了预测,为城市抗震救灾、消防设施布置和防灾减灾规划建立提供了依据。     

基于SVR的轨道交通客流量预测

对各种城市轨道交通客流预测方法进行分析和比较,指出进行短期城轨客流预测的必要性.支持向量回归方法作为以结构风险最小化原理为理论基础的学习算法,可应用于轨道交通客流量预测.构建了城市轨道交通客流的预测模型,与BP神经网络预测方法进行了比照试验.     

基于机器学习的城市居民低碳出行行为研究

针对城市居民是否选择低碳出行的问题，本文基于机器学习方法，通过问卷调查的形式，对影响城市居民低碳出行的相关因素与实际交通出行方式进行数据收集，设置自变量与因变量及其取值，并基于Logistic回归模型原理进行拟合建模，在不同属性下，对城市居民是否选择低碳出行方式和影响进行分析，得到不同属性之间与各个属性内部的影响与区别关系。同时，运用Logistic回归、神经网络与决策树3种分类预测模型，在现有数据基础上，对城市居民是否选择低碳出行方式进行预测。研究结果表明，年龄、收入、距离和是否拥有汽车及驾驶证，对选择低碳出行方式具有重要影响，尤其是没有汽车的居民，选择低碳出行方式的可能性是拥有汽车居民的9.065倍，且3种模型的预测准确度均在85%以上，而神经网络模型的预测准确度接近90%,各项指标均说明预测效果良好，验证了该方法的可行性及适用性。该研究为预测不同地区与类型的低碳出行方式提供了理论参考。     

泉州市居民出行特征及交通发展对策研究

力图从居民出行特征的角度诊断现状交通问题、预测未来交通发展趋势以及提出相应的交通对策.通过与国内同等规模城市在居民出行的频数、目的、时耗、方式等方面的比较,揭示了城市现状居民出行中存在的频数高、距离短、个体交通方式所占比例过大等一些与中等规模城市不相符的现象.根据泉州市历史文化名城的城市性质以及未来城市的发展规模和规划布局,对城市居民的出行趋势做出了预测,出行距离近多远少、出行方式将适当向公共汽车、小汽车转化.进一步在道路建设、公共交通发展和交通管理等方面提出了有针对性的对策和建议.     

基于BP神经网络与马尔可夫链的城市轨道交通周边房地产价格的组合预测方法

为解决先验数据有限且存在大量不确定因素情况下,城市轨道交通周边房地产价格的预测问题,提出一种基于BP神经网络与马尔可夫链的组合预测模型。首先,采用BP神经网络,使用较少量的样本数据完成城市轨道交通周边房地产价格曲线的粗略拟合;在此基础上,借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型,对北京市轨道交通13号线周边房地产价格进行了预测分析。计算结果表明,该模型具有较高的精度和可靠性。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于神经网络的高速公路交通流预测模型及其应用

以宏观动态交通流模型为基础,分析了模型中各个参数之间的函数关系,给出了基于BP 神经网络理论的高速公路交通流预测模型建立的方法,对高速公路进行建模,该模型可以通过对高速公路交通流信息的实时采集对参数进行动态的修正,达到交通流信息预测的准确性要求.     

三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

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.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

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     

信号交叉口处自行车交通流的跟驰行为

首先对自行车的跟驰行为进行描述,并通过视频实验对信号交叉口自行车流的相关参数进行采集和分析。在此基础上,综合考虑自行车流运行过程中相对距离、相对速度、前车加速度、横向干扰和骑车人属性等因素对后车加速度的影响,先后构建了具有三种不同BP网络结构的跟驰模型。通过对不同BP网络训练误差的比较分析,提出了一种可以较好地反映信号交叉口处自行车群内前后车之间刺激-反应关系的跟驰模型。这对于分析混合交通流的微观运行特性,开展与混合交通相关的微观模拟等研究具有一定借鉴意义。     

城市区域交通智能分散控制研究

针对城市区域交通非线性、不确定性和模糊性特点，提出了一种新颖的实时智能分散控制策略.把整个城市区域交通作为一个大系统，区域中的各交叉口作为子系统，在每个交叉口设置一个独立的控制器，该控制器根据自己和相邻交叉口的交通流信息对交叉口的相序、相位切换、信号周期和绿信比进行动态优化.每个控制器有3个模块组成：相序优化模块、绿灯判断模块和相位切换模块.对每个控制模块设计了相应的模糊优化控制算法，并用改进的BP神经网络实现算法的模糊关系.控制目标是保持区域内各交叉口前的交通畅通和车辆延误最小.仿真研究表明，在交通流量较大和流量时变的环境下，智能分散控制方法比普通单交叉口车辆感应控制方法的控制效果更好,实用性更强.