基于粒子群优化的神经网络实时交通信号配时

由于人工神经网络具有表征复杂输入输出系统的强大功能,将其用于城市道路交叉口的实时信号配时,是极有应用前景的尝试。文章采用三层人工神经网络建立城市道路交叉口信号配时模型,并把粒子群优化算法作为神经网络的学习算法。该算法具有极高的全局优化形态与计算效率。这种方法建立的模型将有助于降低交叉口的总延误,提高通行能力,使神经网络发挥更好的控制效果。     

基于状态空间神经网络和扩展卡尔曼滤波的主动交通感应控制

为改善方案选择式交通感应控制输出的交通信号配时方案滞后于实时交通状态的缺点,提出用状态空间神经网络和扩展卡尔曼滤波模型预测未来交通状态的优化配时方案.采用能反映道路网络几何特征的状态空间神经网络拓扑结构,结合当前时段和前一时段的路段交通状态,预测下一时段交通状况并选择与其相匹配的信号配时方案;应用扩展卡尔曼滤波训练状态空间神经网络,提高其训练效率及精度.选用南京市广州路的实测交通数据和由多目标遗传算法得出的最优信号控制方案验证模型的有效性.研究结果表明,与BP神经网络和状态空间神经网络相比,所提出的模型能够根据道路状况选择合适的交通控制方案.     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

改进LSTM的脱轨系数预测方法

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测.脱轨系数预测结果表明,经过...     

思维进化算法在BP神经网络拟合非线性函数中的应用研究

直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间.     

车道被占用对城市道路通行能力影响的定量分析

针对车道被占用对城市道路通行能力的影响,对视频中事故横断面道路实际通行能力的数据进行统计分析,作出直观的变化趋势图,并给出不同车道的影响差异的定量结果;运用交通波原理、分段函数法、Greenshields模型,建立事故路段车辆排队长度与横断面通行能力、事故持续时间、上游车流量之间的关系模型;运用MATLAB等软件进行数据处理及编程,通过对模型的定量分析,客观地测算车道被占用对城市道路通行能力的影响程度,分析误差后对模型进行改进。使结论更加合理．     

基于离群点检测和PSO-BP的超短期风速预测

为降低风电场的运营成本和提高设备维护效率,提出了基于离群点检测和PSO-BP的风速预测模型。将基于距离和统计学的离群点检测方法结合,并通过分组剔除风速数据中的异常值;然后利用小波阈值去噪算法对风速数据进行去噪;最后使用粒子群算法优化后的BP神经网络进行预测。仿真结果证明,改进的离群点检测方法和小波阈值去噪降低了风速数据的波动性和随机性;对于3组不同风速数据,基于离群点检测和PSO-BP预测模型的预测精度均高于其他对比模型。     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

一种智能交通信号控制模型

通过对城市单交叉路口进行交通流分析,提出以车辆平均延误为性能指标的4相位交通信号控制模型,并将改进的遗传算法应用于此模型。在Matlab 7.0环境下对实际交叉路口中较为复杂的4相位控制方式下轻度、中度和重度交通流模式进行仿真。结果表明,该方案优于普通的遗传算法和传统的定时控制。     

城市道路交通信号实时优化控制模型

针对单点信号交叉口的交通情况,构造了一种产生交通流序列的方法,同时提出一种使车辆延误最小的单路口多相位信号实时配时模型。对所产生的交通流,制定了简单的实时信号配时方案。最后对结论进行了一定的分析和总结。     

基于改进支持向量机模型的交通拥堵情况预测

随着机动车数量的迅猛增加,城市交通拥堵状况日益严峻,城市道路拥堵严重影响着居民的日常工作和生活,因此研究道路拥堵程度,以及对道路拥堵变化进行预测则显得尤为重要。为此,构建一个基于拥堵指标的MM-SVR模型,在考虑下一时段可能到达路段的潜在车流量情况下,对道路拥堵情况进行深入探究。首先,融合速度、区域内交通流量构建道路拥堵程度指标,然后基于历史数据构建将马尔科夫链与支持向量机预测相结合的MM-SVR模型对道路拥堵进行预测,以向前[n]阶状态的交通流量和速度作为输入量,将道路拥堵程度指标作为输出量。在实例验证中,使用广州市某片区的实时交通流数据对模型效果进行评测,并且使用SVR以及Adaboosting模型进行对比实验。实验结果表明,该模型无论是在拟合优度还是预测误差上均优于对比模型,在实时反映交通流拥堵情况方面有着良好表现。     

交通信号灯迭代学习控制方法

由于城市交通信号灯控制存在着非线性动态特性,对其进行控制时很难进行精确的数学建模,同时路口交通流具有重复性特点,呈现明显的周期性特征。为了减少路口车辆等待时间、提高通行效率,利用迭代学习控制方法,对信号灯周期和各个相位有效绿灯时间进行优化,从而对路口绿灯进行最大化利用,保证车辆在路网中能够高效、平稳地通行。仿真结果表明,在迭代次数达到 15 次之后,排队长度相位差和误差都趋于零,减少了交通拥堵时间。     

平面交叉口的另一种交通信号控制

建立可改变信号周期的交通流模型,利用最优控制理论和算法给出优化的信号配时控制策略,其结果与传统的信号配时设计非常接近.     

交通信号实时控制优化模型与算法

通过对交叉路口交通流到达和排队延误规律的研究,提出了一种新的交通信号控制理论,并建立了以PI值最小为目标的交通信号配时优化理论模型。该信号配时方法与通常采用的单点自适应信号控制方法的区别在于不但考虑了交通延误,而且考虑了停车次数,实现了对交通延误和停车次数两指标的优化,从而保证了以车队形式到达的交通流可以不间断地通过交叉路口。由于以实时交通流的到达规律为依据进行信号优化配时,因此,该信号配时优化模型又是实时自适应交通信号控制优化模型。     

基于改进的Boosting算法的高速公路交通事件检测

提出一种基于Boosting BP神经网络的交通事件检测方法.以上下游的流量和占有率作为特征,BP神经网络作为分类器进行交通事件的自动分类与检测.为了进一步提高神经网络的泛化能力,采用一种调整权值分布,限制权重扩张的改进的Boosting方法,分类器以加权投票方式进行分类决策.实验结果表明该交通事件检测算法是有效的.