基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

基于神经模糊系统的热工过程建模及预测

热工对象内部过程的物理性能比较复杂,其往往表现出非线性、严重时变、大迟延和不确定等特点,这就使得难以对其建立比较精确的模型。该文以自适应神经模糊推理系统(ANFIS)作为辨识器建立热工过程模型,用ANFIS分别建立锅炉-汽轮机的非线性模型、不同负荷工况点的线性模型,并根据现场采集的锅炉-汽轮机系统数据建立了ANFIS模型。对以上三个系统的建模仿真结果表明基于ANFIS建立的模型具有较高的模型精度和较好的预测能力,ANFIS可用于非线性系统、复杂系统的建模和预测,并具有较少的训练次数和较小的预测误差。     

基于密度聚类的神经模糊系统建模算法

神经模糊系统经常被用来对非线性系统建模,并能取得很好的效果.以往的模糊系统建模方法存在着输入空间划分个数难以确定和规则冗余的问题,这些问题阻碍了模糊系统的应用.基于动态阈值DENCLUE和相似规则合并的神经模糊系统建模算法DDTSRM(DENCLUE using a dynamic threshold and similar rules merging),首先在DENCLUE算法中使用动态阈值来合并密度吸引子,得到DDT算法.DDTSRM利用DDT算法不依赖初始参数的特点,解决了输入空间划分个数难以确定的问题.因为DDT算法可以得到任意形状和任意密度的聚类结果的特性,所以提高了模糊系统模型的准确性.辨识出模型的初始结构后,DDTSRM通过计算模糊集合之间的相似度来减少规则冗余,使模糊系统模型结构得到优化.最后利用BP算法对系统模型进行训练,进而提高系统的建模精度.以S-Y模糊系统模型为原型,在两输入一输出的非线性函数和Box-Jenkins数据上的仿真实验证明了DDTSRM算法在神经模糊系统建模应用的有效性,能够取得精确的建模效果.     

基于最优梯度自适应优化算法的交通流预测

短时交通流预测在交通控制中起着基础的作用。建立了一类不需要选取初始值、带有动态参数的指数平滑模型。以预测误差平方和SSE最小为目标,构造了优选并自动生成最佳参数,使平滑模型得以优化的最速下降算法,增强了模型对时间序列的适应能力。较好地解决了指数平滑预测中,平滑参数靠检验确定且为静态、平滑初值难以确定并导致预测偏差等问题。通过比较上海浦东的实测数据和其它预测算法,验证了该算法的有效性和实用性。     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

利用模糊时间序列进行短时交通流预测

短时交通流预测在交通控制中起着基础的作用.本文利用模糊时间序列提出了一种新的短时交通流预测模型,并且在此模型基础上提出了一种算法.此算法和以往算法最大的不同就是能够处理历史数据是语言变量的预测问题.最后通过北京紫竹桥的实测数据和其它预测算法比较验证了本文提出算法的有效性和实用性.     

基于神经模糊模型的CSTR系统预测控制

针对具有高度非线性特性的连续搅拌反应釜(CSTR)控制过程,研究了基于神经模糊模型的预测控制策略.利用神经模糊模型预测CSTR系统在一定预测时段的输出,基于进化规划(EP)的优化算法,使用神经模糊模型的预测输出来确定输入序列,实现对CSTR的PH值跟踪控制,仿真结果表明该方法可以获得满意的跟踪控制效果.     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

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。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

基于模糊神经网络的统一潮流控制器

为了减少先验知识对统一潮流控制器中模糊规则的设计和电力系统参数的变化对统一潮流控制器性能的影响,文中采用模糊神经网络来设计统一潮流控制器.为此首先简单介绍了统一潮流控制器的控制策略,然后阐述了自组织模糊神经网络和基于遗传算法的模糊神经网络的构造方法,接着将自组织模糊神经网络、基于遗传算法的模糊神经网络结合统一潮流控制器的控制策略应用于两种统一潮流控制器.最后通过MATLAB仿真例子来验证:这两种统一潮流控制器的设计方法的有效性.     

并行广义神经网络的交通流预测

实时、准确的交通流预测是智能交通诱导实现的前提和关键。针对BP神经网络学习过程收敛速度慢、容易陷入局部极小的缺点,引入智能神经元组成的广义神经网络建立交通流预测模型,同时给出基于训练集分解和动态通信模式的并行学习算法来提高广义神经网络的收敛速度,并利用大连市的实际交通流数据进行预测分析。实验结果表明,并行广义神经网络能够满足交通流量预测实时性、精确性的要求,具有一定的应用价值。     

基于跳转模型的路网交通流预测

针对城市道路交通流复杂的非线性特征,采用基于跳转的ARIMA模型研究交通流的变化规律,以获得城市道路短期交通流的精确预测.引入路口转弯比例矩阵来描述路网的交通流状态.考虑在路网畅通和路网拥堵情况下路口转弯比例矩阵的不同特征,对两种情况分别进行研究.结合路段交通流预测模型,对路网交通流进行预测.仿真算例表明,所提出的预测模型能较好地用于路网交通流预测.     

基于自适应门控图神经网络的交通流预测

交通流预测是智能交通系统中的重要组成部分,由于交通数据的复杂性,长期而又准确的交通流预测一直是时间序列预测中最具挑战性的任务之一。近年来,研究人员将基于图神经网络的时空图建模方法应用于交通流预测任务,并取得了良好的预测性能。然而,现有的图建模方法仅通过预定义的邻接结构反映道路网络中的空间依赖关系,忽略了各节点之间的序列关联关系对预测的重要性。针对这一局限性,提出了一种自适应门控图神经网络（Ada-GGNN）,其核心为通过空间传递模块同时捕获道路网络的空间结构及自适应的时序相关性,并通过门控机制学习节点上的时间序列特征。在两个真实交通网络数据集PeMSD7和Los-loop上的实验结果证明了该模型具有更优越的性能。     

随机模糊神经网络在目标状态信息融合中的应用

提出了一种新的基于随机模糊神经网络的多传感器状态信息融合方法。研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合。仿真结果表明，当输入被噪声污染时，基于随机模糊神经网络的方法离线学习次数更少，能更有效地防止噪声的干扰，并且融合误差更小。     

基于云理论与神经网络集成的模糊系统

提出了一种基于云理论与神经网络混合集成的模糊系统。通过不确定性人工智能,解决了在实际模糊系统中输入变量隶属函数和知识规则确定的难题,利用神经网络实现了变量之间的非线性映射。该系统不但具有神经网络自适应的学习能力,且结合云理论处理知识的不确定性能力,使模糊系统在知识推理过程中更具有说服力,在整体上提高了算法的效率。     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.