基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。     

电磁成型工艺对钛合金表面强化性能的影响

为提高TC4钛合金板材表面硬度,用电磁成型工艺,通过改变冲击电压、冲击次数、驱动片等参数对TC4钛合金板材进行试验。用高精度维式硬度计、有限元模拟、数据拟合软件等对试验结果进行分析。结果表明：电磁成型工艺可一定程度强化TC4钛合金表面,经强化处理的TC4钛合金板材,硬度最大为377.2HV,比原始硬度提升了约10.94%。此外,不同试验条件对试验结果的影响不同。冲击电压过大及冲击次数过多都使试件的硬度低于原始试件。     

基于遗传灰狼算法的员工通勤合乘路径优化

为了缓解小汽车过多使用造成的城市道路拥堵,达到整合交通资源、提高道路利用率的目的,以职住两地周围的通勤居民为研究对象,对员工通勤合乘路径进行研究。以通勤合乘路径最短、用户总出行成本最少为优化目标建立目标函数,在保留灰狼算法（GWO）参数少和收敛速度快等优点的基础上,融合遗传算法（GA）中精英个体的变异操作防止灰狼算法（GWO）后期陷入局部。结果表明：遗传灰狼算法（GAGWO）优化后的合乘路径能有效降低私家车的空驶率以及司机和乘客的出行成本。     

基于VMD-BiLSTM-BLS模型的短时交通流预测

准确的短时交通流预测在智慧交通系统中至关重要.近年来,双向长短时记忆网络(BiLSTM)被广泛地应用于短时交通流预测中,但由其结构特点,易产生过拟合现象,从而影响预测精度.鉴于宽度学习系统(BLS)能够解决过拟合的问题,本文将深度学习与宽度学习相结合.进一步地,为减少噪声对车流量数据的干扰,引入变分模态分解(VMD)进...