交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法.通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法.仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络.     

混沌时间序列预测模型的比较研究

针对目前混沌时间序列预测模型预测结果差异较大的问题,归纳了4种混沌时间序列预测模型：BRF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究。应用4种预测模型对几个典型的非线性系统进行预测仿真。结果表明,这4种预测模型对典型混沌时间序列预测都具有很好的预测效果;在预测精度上BRF模型和Volterra模型明显优于最大Lyapunov指数模型和局域线性模型。     

混沌时间序列的Volterra级数多步预测研究

针对混沌时间序列在多步预测中自适应预测方法的预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,并基于混沌序列产生的确定性和非线性机制、混沌动力系统相空间延迟坐标的重构及二阶Volterra自适应滤波模型,给出了一种混沌时间序列的Volterra级数多步预测方法.在多步预测中,根据已知的样本得到对将来值的预测.仿真结果表明,能够对混沌时间序列进行多步预测,具有较好的预测效果.     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测.     

基于混沌的交通流量Volterra自适应预测模型*

采用基于混沌动力系统的相空间重构和非线性系统的Volterra级数展开式,构建了交通流量的Volterra自适应预测模型。其基本思想是首先采用Lyapunov指数判定交通流时间序列存在混沌的前提下,对该时间序列进行相空间重构;然后选择Volterra级数构造非线性预测模型,并采用LMS类型的自适应算法来实时调整模型的系数。应用该模型对Lorenz、Rossler和交通流时间序列进行仿真研究。结果表明,提出的Volterra自适应预测模型能有效地预测低维混沌时间序列和交通流时间序列。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。     

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40?辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络（convolutional neural network,CNN）、图卷积网络（graph convolution network,GCN）传统预测模型相比,分别减小了19%、20%、25%、16%、25%。