基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

布谷鸟算法优化小波神经网络的短时交通流预测

针对目前短时交通流的预测精度不够高这一问题,提出一种布谷鸟算法优化小波神经网络(CSWNN)的短时交通流预测模型。首先采用小波变换对数据进行降噪,并进行归一化处理,然后使用复自相关法对具有混沌特性的短时交通流进行相空间重构,将交通流数据拆分为训练数据组和测试数据组,使用布谷鸟算法优化小波神经网络的各项参数,并根据训练数据组来训练优化后的小波神经网络模型。最后使用测试数据组的数据对CS-WNN模型进行有效性验证。仿真结果表明,相比几种主流的优化预测模型,CS-WNN短时交通流预测模型具有更高的预测精度。     

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明：该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

基于改进的量子粒子群优化小波神经网络的网络流量预测

为了改善小波神经网络（WNN）进行流量预测的性能及避免量子粒子群算法（QPSO）搜索后期的早熟收敛缺陷,提出了一种改进的 QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用 WNN 待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化 WNN 参数,建立了基于改进的 QPSO优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于 WNN 和 QPSO-WNN 方法。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

自适应变异的蝙蝠算法

针对基本蝙蝠算法(BA)寻优精度不高、收敛速度慢和易早熟收敛的问题,提出一种改进的具有自适应变异机制的蝙蝠算法,用以求解复杂函数问题;利用K-means聚类对蝙蝠种群进行初始化,使种群在搜索空间分布更为均匀;采用根据迭代次数自适应变化的控制概率Pt判断算法是否进行高斯变异,增强种群多样性,促使蝙蝠个体跳出局部极值点;将自然选择思想引入BA,提高算法搜索速度,避免早熟收敛;选取几个典型函数进行测试,结果表明改进算法优化性能有了显著提高,具有较快的收敛速度,较高的寻优精度、收敛稳定性和收敛可靠性,验证了改进蝙蝠算法(IBA)的有效性及优越性。     

面向短时地铁客流量预测的混合深度学习模型

城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题,提出一种混合深度学习模型ResGRU_Metro,将卷积神经网络、残差单元和门控循环单元相结合,捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题,引入面向短时交通流量预测的加权平方误差,根据交通客流量的大小为预测误差赋予不同权重,并加大对交通客流量峰值处误差的惩罚,使神经网络在反向传播时更加关注峰值处的预测和误差,从而提升交通客流量峰值的预测精度。此外,通过耦合天气、空气质量等外部因子,改善模型的整体预测性能,增强模型的稳定性。实验结果表明,相比LR、PSVR、CNN等典型的预测模型,ResGRU_Metro模型有更高的预测精度,能够准确预测交通客流量的峰值。     

基于改进小波神经网络的大数据网络安全态势预测

为提升网络安全态势预测的精度,提出使用动量因子（Momentum Factor,MF）改进小波神经网络（Wavelet Neural Network,WNN）,形成MF-WNN的网络安全态势要素提取模型,通过MF对WNN的权值进行精度优化。实验结果表明,与其他3种常用的预测模型相比,基于改进WNN的预测模型具有较高的精确度。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

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...     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。     

精细化短时交通流预测模型及迁移部署方案

精细化短时交通流预测是保证智能交通系统（ITS）合理决策的前提。为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行,及时为每条车道预测车流量成为亟须解决的问题,然而精细化短时交通流预测面临着以下挑战：一是交通流数据日益多元化,传统预测方法难以满足ITS高精度、短时延的要求;二是为每条车道训练预测模型会造成大量的资源浪费。针对以上问题,提出利用卷积-门控循环单元（Conv-GRU）结合灰色关联度分析法（GRA）建立精细化短时交通流预测模型预测车道流量。考虑到深度学习训练时间长、推理时间相对较短的特点,提出云-雾部署方案;同时,为避免为每条车道训练预测模型,在云-雾部署方案的基础上提出了模型迁移部署方案,该方案仅需训练部分车道的预测模型,然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测。对真实交通流数据集进行大量对比实验的结果表明：与传统深度学习预测方法相比,所提模型拥有更精准的预测性能,与卷积-长短期记忆（Conv-LSTM）网络相比在提高精度的基础上运行时间更短,且能在保证高精度预测的情况下实现模型迁移,比训练每条车道的预测模型节省了约49%的训练时间。     

基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。