基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。     

一种基于动态递归神经网络的交通流量实时预测方法

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。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于Elman的CO_2离心式压缩机透平转速预测

针对目前CO2离心式压缩机透平转速预测难以实现,并且采用常规的预测方法很难达到良好的效果,提出一种基于Elman神经网络的离心式压缩机透平转速预测方法,利用MATLAB实现了Elman神经网络转速预测模型.仿真结果表明,Elman神经网络预测模型能够实现较高精度的预测.     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于神经网络预测节能中央空调控制策略

由于传统中央空调具有大滞后、大惯性、非线性特性,造成常规控制方法下系统供给的能量与负载所需能量不匹配,使得中央空调与使用环境能量供求不平衡,浪费了大量的电能.针对中央空调的控制特性,提出了一种基于神经网络技术的预测控制方法,将Elman神经网络预测器和神经网络控制器有机结合,通过预测未来能量需求,实时调节控制策略,使系统所需能量和空调输出能量达到匹配.采用Elman神经网络预测器和神经网络控制器有机结合的控制方法,使系统具有良好的动态性能和稳态性能,节能效果显著.采用神经网络预测型节能中央空调,可有效控制中央空调与使用环境能量供求的关系,为降低智能建筑能耗提供了可靠的保障.     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.     

基于IABC-Elman神经网络的电厂耗煤量短期预测

针对电厂耗煤量具有不确定性的特点及传统Elman神经网络利用梯度下降训练网络参数易陷于局部最优的缺点,基于人工蜂群(ABC)算法,提出了一种改进蜜源更新方式和跟随蜂选择引领蜂方式的改进ABC优化算法,结合进煤量、存煤量和发电量,建立了Elman神经网络电厂耗煤量短期预测模型(IABC-Elman)。实际算例表明,基于IABC-Elman电厂耗煤量短期预测模型结果能达到耗煤量短期预测的标准,与传统神经网络相比具有更高的预测精度。     

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。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于图卷积神经网络的城市交通态势预测算法

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法：基于自由流动可达矩阵的时空图卷积深度神经网络（FAST-GCN）. 利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证. 结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积（STGCN）等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.     

高速公路短时交通流量预测的改进非参数回归算法

针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻（K-nearest neighbor,KNN）与长短时记忆（long short term memory,LSTM）网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明：与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12.28%,可为交通诱导与控制提供必要的依据.

     

基于MGU的大规模IP骨干网络实时流量预测

为克服长短时记忆网络(long short-term memory, LSTM)计算成本相当大的弊端,提出基于最小门控单元(minimal gated unit, MGU)的大规模IP骨干网络实时流量预测方法。试验结果表明,与基于LSTM的流量预测方法相比,该方法以较少的模型训练时间获得了相当甚至略优的流量预测性能,在流量预测精度和实时性方面也优于已有的前馈神经网络(feed forward neural network, FFNN)和门控循环单元神经网络(gated recurrent unit, GRU)方法。     

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.     

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．