基于SVR的轨道交通客流量预测

对各种城市轨道交通客流预测方法进行分析和比较,指出进行短期城轨客流预测的必要性.支持向量回归方法作为以结构风险最小化原理为理论基础的学习算法,可应用于轨道交通客流量预测.构建了城市轨道交通客流的预测模型,与BP神经网络预测方法进行了比照试验.     

适于双子电梯群控系统的交通模式预测方法

为了避免传统电梯交通模式识别存在模式滞后的缺陷,适应新型的双子电梯群控系统性能要求,提出了基于预测交通流的电梯交通模式预测方法.采用支持向量机(Support vector machine,SVM)进行电梯交通流预测;采用BP神经网络进行电梯交通流模式识别,并用遗传算法(Genetic algorithm,GA)对BP神经网络进行优化;将电梯交通流预测与交通模式识别相结合,再次利用神经网络对所预测的交通流进行模式识别,实现交通模式预测.研究结果表明,预测交通流的交通模式与实际交通流的交通模式一致,验证了交通模式预测的准确性.交通模式预测方法可避免模式滞后的缺陷,为双子电梯群控系统工程应用提供理论依据.     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于BP神经网络与马尔可夫链的城市轨道交通周边房地产价格的组合预测方法

为解决先验数据有限且存在大量不确定因素情况下,城市轨道交通周边房地产价格的预测问题,提出一种基于BP神经网络与马尔可夫链的组合预测模型。首先,采用BP神经网络,使用较少量的样本数据完成城市轨道交通周边房地产价格曲线的粗略拟合;在此基础上,借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型,对北京市轨道交通13号线周边房地产价格进行了预测分析。计算结果表明,该模型具有较高的精度和可靠性。     

基于神经网络的交通发生量预测研究

交通发生吸引量预测是交通规划四阶段的首要步骤,其预测结果是城市规划布局及交通设施建设发展的重要依据.为了提高交通发生量预测准确性,利用K-means聚类分析对交通小区进行分组;对同组内样本小区各项土地利用及人口就业指标进行主成分分析,通过计算主成分载荷率为选择预测影响因素提供依据;针对各组样本分别建立BP神经网络模型,以土地利用和人口数据作为输入变量,小区交通发生量作为输出变量,以大连市城市交通调查数据为例对上述方法进行检验,并与传统回归模型预测结果进行比较.结果表明,在数据预处理基础上建立的BP神经网络模型具有较高预测精度.     

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.     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

油田开发最优控制之神经网络实现

如何把握油田注水开发的动态过程从而实现最优控制开采及预测开发指标，长期以来是一个重要的研究课题。描述了神经网络功能模拟开油藏及其辨识开发系统参数的一般性原理，达到用神经网络功能实现各开发指标之问的复杂函数关系(这种关系很难用准确的函数解析式表述)，从而实现开发过程的最优控制及其开发指标的预测。最后将这一原理应用于中原某油藏进行指标预测，获得了满意的结果。     

应用概率神经网络预测股市的方向变化

预测股票价格的方向变化是一个分类问题，可以有效的指导投资决策，获取投资利润。运用概率神经网络能够有效的进行模式识别，具有训练速度快，可以实时更新数据的优势，因此在金融时间序列的分析预测中有一定的应用价值。通过概率神经网络提供的贝叶斯分类器，应用概率神经网络作用原理，对上证180指数的变化方面进行了预测，结果表明了概率神经网络在预测股标市场的方向变化方面具有实用性。     

支持向量机改进的神经网络的函数逼近

为了避免神经网络的收敛速度慢和局部极小点 ,采用统计学习理论中的支持向量机代替梯度下降法对三层神经网络中隐层到输出层的过程进行改进 .分别采用由支持向量机改进的神经网络和传统的神经网络对昆明市“一二一”大街交通交流的实时预测 ,实验结果验证了改进后的神经网络的优越性和先进性     

道路交叉口信号的模糊神经网络控制

应用模糊神经网络对交通系统进行控制是一种新的尝试，它可以充分发挥模糊逻辑和神经网络的优势，实现更为有效的控制。提出了一种基于模糊神经网络的道路交叉口交通信号控制方法，根据两相位的关键车流信息来决定绿灯延长时间，形成控制策略。仿真结果表明，与传统的定时控制方法相比，所提出的神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进，该方法有效、可行。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于图卷积网络的交通流预测方法综述

近年来,基于深度学习的交通流预测方法一直是交通流预测领域的研究热点.与传统卷积神经网络不同,适合处理非欧几里得数据的图卷积网络在空间特征建模方面表现出了强大的能力,而反映路网空间特征的拓扑图、距离图、流量相似图等正是典型的非欧几里得数据.因此,基于图卷积网络及其变体的交通流预测方法成为交通流预测领域的一个研究热点,并取得了很多有吸引力的研究结果.本文对近年来基于图卷积网络的交通流预测模型进行了分类和总结.首先,从图卷积网络的基本定义出发,结合空域图卷积和谱域图卷积的定义详述了图卷积的基本原理.其次,根据预测模型的网络结构特点,将基于图卷积网络的交通流预测模型分为“组合型”和“改进型”两大类,并对其中最具代表性的模型结构进行了详细分析和讨论. 此外,对交通流预测领域中常用于模型性能对比的典型数据集进行了综述,并以其中一个真实数据集为例开展仿真测试,展示了4个基于图卷积网络交通流预测模型的预测性能.最后,基于当前的研究现状和发展趋势,对基于图卷积网络的交通流预测方法研究领域中未来的研究热点和难点进行了开放性的讨论和展望.     

基于广义回归神经网络的交通流预测模型

将广义神经网络技术引入到交通流量的长期预测中,介绍了广义神经网络模型的理论基础和网络结构,建立了天津市某路口交通流量的数学模型,并通过调查数据对交通流进行了预测,测试结果表明,该方法有一定的适用性.     

基于神经网络的P2P流量识别方法

利用小波神经网络实时学习和快速识别的优点,该文提出一种统计特征和小波神经网络相结合的P2P流量识别方法.在实际网络环境下,通过建立网络分类模型,统计分析并提取多种流量特性,通过小波神经网络对各种P2P应用流量特征的学习和识别,提高了P2P流量识别的准确度,改善了之前单一识别方法的复杂度.     

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。     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于随机过程下的交通流量预测方法

在考虑交通流量为随机过程的情况下,根据实际观测得到的交通流量,运用灰色预测模型、神经网络等方法,预测将要发生的交通流量数据.然后,根据以前相应的交通流量数据计算出预测结果的波动范围.最后,提出了解决交通拥堵的方案.     

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.