基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

基于BP神经网络的短时交通流量预测概述

通过记录每日每地每时的交通流量,可生成统计数据,进而可形成有效高,时效性强的神经网络训练集,通过使用基本的BP神经网络方法,可利用训练集的数据来预测将来所需要的某时的交通流量大小。通过发布交通流预测信息于市民,可令有出行计划的市民更好地规划出行方式、路线并有效缓解各地交通压力过大情况。此方法可用价值高。本文具体分析了城市交通流量特征,在此基础上建立了基于BP神经网络的交通流量预测模型,并应用实际交通流量数据对预测模型进行了验证,得出结论:BP神经网络预测精度较高。     

基于VMD-HSSA-BP神经网络模型的短时交通流预测

针对交通流数据的非平稳性和短时交通流预测高精度要求的问题,提出了一种由变分模态分解（VMD）、改进麻雀搜索算法（HSSA）和BP神经网络的组合预测模型。模型利用变分模态分解降低历史交通流数据的非平稳性,使用Hammersley和自适应控制因子分别改进麻雀搜索算法种群初始化和发现者位置更新公式,提高麻雀搜索算法的收敛速度和寻优能力,使用改进后的麻雀搜索算法寻找BP神经网络的最优权值和阈值,提升BP神经网络预测的精准度。通过仿真,将模型与现有模型进行对比,模型预测结果更好,验证了模型能克服交通流数据非平稳性,并具有较好的预测精度。     

基于深度卷积神经网络的交通流量预测数学模型设计

精确的交通流量预测是实现未来智能交通的关键技术。神经网络模型在该领域的预测方面具有一定的优势。因此,为了提高预测精度,设计一种基于深度卷积神经网络的交通流量预测数学模型。首先,对交通流量数据的预处理方法进行分析,然后结合特征训练过程和卷积神经网络构建深度神经网络结构,并给出深度神经网络的配置参数。利用美国明尼苏达大学UMD分校的交通流数据集进行仿真实验,结果表明,提出的模型可以对短时交通全局趋势进行预测,并具有较好的稳定性和预测精度。     

改进BP神经网络在预测城市交通流量中的应用

预测交通流量是动态交通控制的前提。该文提出基于改进BP算法的交通流动态时序的预测算法,对交通流量数据进行分析和研究,以动态交通控制理论为基础,应用MATLAB软件建立交通流量预测模型。并通过实验仿真验证把改进BP神经网络(BP NN)用于建设智能交通体系成为了一种非常明智的选择。     

基于KNN-LSTM短时交通车流量预测方法的研究

针对当前现有预测模型在智能交通短时车流量预测过程中无法有效预测交通流序列规律、不能在车流量预测时充分利用交通流的时空相关性,以及循环神经网络存在梯度消失和爆炸的问题,提出了一种基于KNN(K-最近邻)和LSTM(长短时记忆)相结合的短时交通车流量预测方法。实验研究表明,该模型能够更好且有效地提取到交通流序列的时空特性,以及解决循环神经网络在短时交通流预测过程中存在的相关问题。     

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型.首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精...     

基于人工神经网络的交通流量预测模型的研究

介绍了人工神经网络的BP算法，建立了基于Matlab神经网络工具箱的交通流量预测模型，并以实际道路交叉口为例进行2小时40分，分时段的数据采集，利用模型进行短时流量预测。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

基于模块化交通流组合预测模型

短时交通流预测是智能交通系统的核心能力组件之一,为城市交通管理、交通控制和交通引导提供智能决策支撑。针对交通路网交通流呈现的非线性、动态性和时序相关性,提出一种基于模块化的交通流组合预测模型ICEEMDAN-ISSA-BiGRU。采用改进的基于完全自适应噪声集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法对交通流非线性时间序列进行分解,获取本征模态分量(Intrinsic Mode Functions,IMF);利用双向门控循环单元(Bi-directional Gate Recurrent Unit,BiGRU)挖掘交通流量序列中的时序相关性特征;基于动态自适应t分布变异方法改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),实现对BiGRU网络权值参数的迭代寻优,避免了短时预测结果陷入局部最优;基于公开PeMS数据集对短时交通流预测性能进行性能评估与验证。实验结果表明,所提组合模型的短时交通流预测性能优于10个传统模型,改进后的交通流量预测平均绝对误差(Mean Absolute Error,MAE)指标接近10.98,平均绝对值百分误差(Mean Absolute Percentage Error,MAPE)指标接近10.12%,均方根误差(Root Mean Square Error,RMSE)指标接近12.42,且在不同数据集下所提模型具有较好的泛化性能。     

基于遗传算法优化的BP神经网络研究应用

为提高BP神经网络预测模型对超市大米日销售预测的准确性,提出一种基于遗传算法优化的BP神经网络预测方法。介绍了BP神经网络和遗传算法的特点以及存在的缺陷,并进一步研究了BP神经网络和遗传算法相结合的有关技术,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型获取最优解,充分发挥了BP神经网络的局部搜索能力和遗传算法的全局搜索能力的优势。仿真结果证明,该方法对超市大米日销售预测具有更高的精度和更好的非线性拟合能力。     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解（VariationalMode Decomposition,VMD）和改进麻雀搜索算法（ImproveSparrowSearchAlgorithm,ISSA）与长短期记忆（LongShort-Term Memory, LSTM）神经网络相结合,建立一种短时交通流预测模型（VMD-ISSA-LSTM）。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。     

小波神经网络在短时交通流量预测中的应用

随着交通基础设施建设和智能运输系统的发展,交通规划和交通诱导成为交通领域的研究热点,对交通规划和交通诱导而言,准确的交通流量预测是其实现的前提和关键。短时交通流量预测是一个时间序列预测问题,文中应用小波神经网络对短时交通流量进行了预测。首先,对神经网络、小波分析等相关理论进行了简要介绍。在此基础上,采用5-7-1小波神经网络结构,以Morlet小波基函数作为隐含层节点的传递函数,将车流量数据输入该模型中,以训练小波神经网络,并用训练好的神经网络来预测短时交通流量。从预测结果来看,小波神经网络的预测结果较为准确,网络预测值接近期望值,效果较好。     

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍,均方误差为BP的1/50, ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

一种基于人工神经网络的反馈式神经元数优化方法

针对纳米级Cu薄膜电阻率,基于BP神经网络模型,本文提出了一种反馈式神经网络优化方法,利用蒙特卡洛分析方法对隐含层神经元数进行了优化,并基于随机样本集进行网络训练,建立了反馈式BP神经网络的电阻率预测模型。通过100组学习样本训练后的神经网络模型,与50组测试样本进行测试,结果表明,所提方法能够实现电学参数值与金属Cu电阻率较好的非线性映射,预测结果与Marom模型相比较,最大误差不超过4%,并且训练范围外的预测结果与测试样本吻合较好,验证了该方法的精度和泛化能力,为超薄金属互连电阻率模型估算提供了重要参考。     

基于遗传BP神经网络的备货型企业销售预测应用

为了提高备货型企业销售的预测精度及速度,笔者提出了将BP神经网络和遗传算法相组合的预测模型。利用遗传算法的全局搜索能力优化BP神经网络优化的初始权值和阈值,然后通过BP神经网络自我学习模式获得预测结果。最后通过实例验证该模型的有效性,把遗传BP神经网络的预测结果与BP神经网络的预测结果进行对比。结果表明,该方法较BP神经网络具有更高的预测精准度,能为企业生产销售及科学管理库存提供科学依据。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。