基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。     

基于ESN和Elman神经网络的交通流预测对比研究

实时准确的短时交通流预测是实现智能交通系统中交通控制和交通诱导的关键技术之一。由于短时交通流数据的复杂性,首先采用饱和关联维数法和Cao氏法对交通流时间序列的嵌入维数和延迟时间进行计算,并采用Wolf方法计算相空间重构后的交通流时间序列的最大Lyapunov指数。结果表明,交通流时间序列具有混沌特性,可预测性较好。随后,分别采用基于ESN和Elman神经网络的预测方法对交通流时间序列进行预测,结果表明,两者在预测精度相当的情况下,前者的训练速度较后者有了极大的提高。     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

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．     

基于回声状态网络和主元分析的混沌时间序列预测模型

回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果.但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度.文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型.该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的.利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型.     

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     

改进回声状态网络的烟气轮机状态趋势预测

故障预测是保障大型设备安全运行和施行科学维护的关键技术,针对烟气轮机运行呈现出的非线性特性,引入回声状态神经网络进行状态趋势预测研究。采用奇异值分解方法对回声状态网络的线性回归训练算法进行改进,可提高回声状态网络的预测性能,并给出预测过程。实例分析表明,采用改进回声状态网络进行预测的效果较好。     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

Dropout回声状态网络的网络流量预测

提出了一种基于Dropout方法的回声状态网络（ESN）.将基于Dropout方法的ESN （Dropout ESN）应用到实际的网络流量预测任务中,设置储备池内神经元以不同的概率停止工作,将经典的ESN和Dropout ESN进行了对比,分析了2种网络对预测性能的影响,将基于Dropout方法的ESN和其他网络的正规化方均根差进行对比分析.仿真结果表明,Dropout ESN对网络流量预测效果更优.     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

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。     

路网交通状态平衡控制方法

为了降低路网的拥挤度,提出了路网交通状态平衡控制方法。以交叉口最大饱和度代表交叉口交通状态,以路网最大饱和度最小为目标建立了路网交通状态平衡控制双层规划模型。利用遗传算法求解该规划模型,优化算法可以同时优化信号周期和各相位绿信比。考虑到整体延误、交通状态以及各个交叉口的重要度,对平衡控制方法进行了改进。数值模拟结果表明,本文方法可以在一定程度上降低关键区域的拥挤度。     

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。     

基于交通流时空特性的道路网动态划分方法

提出了基于交通流时空特性的道路网动态划分方法,首先根据道路网的空间特性,建立度量各断面相近程度的广义空间距离模型。引进R-Q型因子分析法,对道路网进行空间层面上的划分;然后根据交通流时间特性,以实时获取交通流状态信息为输入,实现道路网的动态划分。最后采用城市快速路网进行实例分析,划分结果表明,子路网各断面交通流量之间具有很强的相似性。     

Traffic flow cycle prediction based on the PCA-ESN model

ing at the problem of low precision of multi-step traffic flow prediction, a cycle prediction model for traffic flow forecasting is presented. First, the time series is reconstructed by considering the periodicity of traffic flow in our model, and Principal Component Analysis (PCA) is explored as a dimensionality reduction method. Then the Echo State Network (ESN) model is used to predict the traffic flow time series. Meanwhile, an adaptive disturbance particle swarm optimization algorithm is used to optimize the parameters of the model. The availability of the proposed model is proved by predicting the time series of real traffic flow. The Mean Absolute Percentage Error (MAPE) of the prediction results is 9.8%, which is 12.7% lower than that of the traditional ESN multi-step prediction model. Experiments demonstrate that the proposed model can effectively prevent the delay of prediction results and greatly improve the precision of multi-step prediction.     

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.