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.     

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.     

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.     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

基于小波与混沌理论的股市多步预测研究

提出一种基于小波与混沌理论对股市进行多步预测的方法。并依据混沌理论给出进行股市多步预测的最大时间尺度。对于其它复杂系统的多步预测同样具有指导意义。     

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.     

基于小波神经网络的深海电机系统混沌预测

针对深海机器人推进电机系统易出现混沌现象,直接危及其稳定运行这一现状,提出一种有效的预测方法对混沌现象进行分析,实现对混沌的预先控制.利用相空间重构与小波神经网络相结合的方法对深海机器人推进电机系统的混沌现象进行分析研究,与以往单纯利用小波神经网络进行预测相比,通过相空间重构可以为小波神经网络的输入提供较为准确、可靠的数据样本,使得预测结果具有较强的可靠性和实用性,同时解决了小波神经网络不能进行中长期准确预测的问题,为进一步研究混沌控制和混沌抑制提供了基础条件.     

基于混沌算子网络模型的网络流量预测研究

采用混沌算子构造预测网络,对网络流量数据进行预测分析.结合相空间重构理论将已知数据构造成训练样本,利用遗传算法对混沌算子参数进行训练调节,从而改变网络的动力学特性,使之逐渐逼近被预测时间序列的动力学特性,并保持与之变化一致.该方法可对各种网络流量数据序列进行有效的预测分析.仿真实验结果表明:与传统的预测方法相比,该方法具有更好的预测趋势.     

基于混合传感器网络的城市智能交通系统构建

实时交通流信息的获取手段日益丰富,其应用正向着实时动态智能交通调控,实时交通信息服务及二者集成的方向发展.如何通过多样化的采集手段高效获取高准确度的实时交通流信息,并应用于上述三个方面是智能交通系统建设需要面对的问题.针对上述问题,结合国内外现有理论与实践的状况,依据传感器绝对地理位置动态特性的不同,提出了基于混合传感器网络(即基于无线移动传感器和固定传感器网络)的城市智能交通系统建设架构.该解决方案基于路段前置机,支持高实时性的分布式多级数据融合计算,较好解决了现有多类传感器系统彼此独立、集中式处理造成的实时性低下、结果不可靠等问题.相对于单纯的无线传感器网络,具有更高的现实可行性.     

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。     

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.