基于小波分析的交通参数组合预测方法

为了更加准确地预测交通参数的变化趋势,结合小波理论处理时变信息的优势,设计了一种在小波分析的基础上利用BP神经网络进行预测的组合预测方法。该方法采用小波理论与神经网络结合的策略,具有普适性,且比传统的基于小波分析的组合预测过程简单,为大运算量的实时应用提供了可能。利用实际数据对该方法进行了验证,并与对比算法进行了效果对比。结果表明,本文提出的方法预测效果较好,具有一定的实用性。     

城市交通流量智能组合预测方法研究

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,也是实现智能交通诱导及控制的前提。文章对几种重要的交通流量预测模型的理论和优缺点进行了比较,分析了影响预测模型的因素,提出了一种智能组合预测方法。该方法利用遗传算法群体搜索的特点,组合各种算法,优化预测思路,充分发掘不同算法的差异优势,实践证明该思路是切实可行的。     

小波-人工神经网络组合模型在电力负荷预测中的应用

本文作者从小波分析与神经网络技术的耦合途径着手研究,实验结果表明只要充分发挥它们各自的优势,就能为电力负荷预测提供更有效更精确的模型.     

小波网络模型及其在日流量预测中的应用

基于小波分析和人工神经网络两者的优点,本文尝试将小波分析与ANN结合建立松散型WNN耦合模型,通过小波变换把南告水库的日流量序列分解成不同频段的子序列,再对这些子序列分别采用BP神经网络进行预测,最后利用小波重构得到整体的预测效果,并与传统BP模型结果相比较.研究结果表明,该方法提高了预报精度,可以成功地用于水文模拟和预测.     

基于小波和神经网络拱坝变形预测的组合模型研究

传统方法只能近似地描述拱坝变形与各影响因子之间的关系.文章以小波变换提取影响大坝变形的主要影响因子———温度与水位的有效信息和大坝变形信息一起作为输入,实测变形值作为输出,通过对模型的合理优化和有效的数据处理,成功建立了拱坝变形的BP监控预测分析网络模型.通过模型的运算,得出了满意的结果,并且模型的预测精度较高.     

基于人工神经网络的非线性组合预测方法研究

在现有组合预测模型中以线性或非线性规划方法求解优化问题遇到了较多的困难,而递归组合预测方法的过程又较为烦琐。针对这一问题,本文基于人工神经网络技术建立了一种新的非线性组合预测模型;并从避免不规则权重入手,提出了通过主分量分析提高参与组合预测信息有效性的方法,提高了预测精度。实践表明,效果是令人满意的。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

进近管制区飞行流量的组合预测

为了提高西安进近空中交通流量预测的准确性,在综合干预分析模型和计量经济法各自优点的基础上,再以预测误差平方和最小为目标,将预测值的加权问题转化为优化问题,求解得到各种方法预测值的权值,然后,将两种方法所得的预测结果用最优加权法进行组合,得到组合预测值。利用西安进近空域实测流量数据进行的对比实验结果表明,组合预测模型的平均拟合误差为3.61%,组合方法总体上具有较高的预测精度和稳定性,即整体上优于干预分析预测模型,也优于计量经济预测模型。     

基于小波-单神经元组合模型的电力系统负荷预测

小波分析是一种新兴的数学工具,它能任意地提取负荷序列的细节.通过使用小波分析,可以在任何水平上分析负荷序列,它对信息成分采取逐渐精细的时域与频域处理,尤其对突发与短时的信息分析具有明显的优势.为了将小波分析用于负荷预测,提出了一种基于小波分解和单神经元的电力系统负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列...     

Web Services组合的容错方法

Web服务组合的可信性是Web服务研究中的一个重要方面,容错处理则是提高服务可信性的核心技术。针对Web服务的特点提出了Web服务组合的容错基本框架,并在此框架下提出了Web服务容错方法。最后通过实验验证了方法的可行性。     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义.通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性,并结合近年流量的新特性提出:网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势.     

基于组合模型的网络流量预测

网络流量预测模型对于网络性能评价和服务质量保证有着重要意义。网络性能评价、网络规划、网络预测都离不开真实的数据和现象的捕获。基于自回归滑动平均模型（ARMA）,利用时间序列建模,提出了利用组合模型对网络流量进行预测的方法。理论分析和实验结果表明,组合模型能达到较高的预测精度。     

基于随机过程下的交通流量预测方法

在考虑交通流量为随机过程的情况下,根据实际观测得到的交通流量,运用灰色预测模型、神经网络等方法,预测将要发生的交通流量数据.然后,根据以前相应的交通流量数据计算出预测结果的波动范围.最后,提出了解决交通拥堵的方案.     

基于决策树的交通拥挤状态预测

随着交通需求量的增加,城市道路拥挤现象越来越严重,所造成的直接或间接的经济损失是难以估量的.若能可靠地预测出即将形成的交通拥挤状态,并采取及时、有效的交通管理措施,可以避免交通拥堵的产生或减轻其严重程度.城市智能交通信息平台积累了大量的交通数据,各交通数据往往存在某些内在的联系.分析影响交通拥挤状态的环境因素,利用数据挖掘中的决策树方法对大量已有历史交通数据进行挖掘可以确立交通拥挤发生模式,从而利用发生模式与当前数据来预测交通流拥挤状态.决策树擅长处理非数值数据,而且计算速度快,对交通拥挤状态预测具有较强的适用性.     

回归模型中基于机器学习的流量预测算法

在基于机器学习的流量预测算法中,详细研究了基于回归模型的预测算法,将机器学习算法引入到网络流量预测中,提出了不同的弱回归算予用来描述网络流量中的非线性特性。针对网络流量中的自相似特性,提出两种不同的机制,即用主成分分析作为预处理和为每一维特征保留一组权重分布;同时,针对实验中发现的过匹配现象提出一种自适应的权重更新准则。     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法。该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力。仿真结果表明,该预测方法能有效降低预测误差,与现有方法相比,话务量的预测精度提高了6．57％。     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP（Internet Protoc01）网络视频流,提出了利用神经网络预测尺度因子的预测算法。对可变比特率的压缩视频流完成小波分解,得出尺度因子。通过对尺度因子的预测和小波重建,完成视频流量预测。尺度因子的归-化特性简化丁神经网络处理过程。对真实VBR（Variable BitRate）视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力。     

基于三次B样条函数的话务量预测模型

针对某移动通信服务公司话务量预测的实际问题,利用三次B样条函数插值方法,建立了工作日和假日话务量预测模型,求解得出了移动电话的话务量随时间变化的规律性,并在某通信服务公司的话务量预测中得到了具体应用,结果是有效的。     

径流的最优组合预测及其贝叶斯分析

径流预测是水资源合理利用的前提。组合预测方法是一种综合预测技术，能利用各个体预测模型中有用的独立信息。贝叶斯分析可以充分吸取径流本身和预测模型等多种成分中的信息，考虑多种不确定性，既可进行预测，又可以对预测模型进行分析评价。两者的结合能进一步提高预测效果，从而获得更充分的信息。