基于小波神经网络的短时交通流预测

针对BP神经网络寻优速度慢、实时性差等缺点,提出将小波神经网络应用于短时交通流量预测中.该方法具有良好的局部性特征,弥补了常规神经网络的不足.在非线性逼近中得到了很好的应用.实验结果表明,小波神经网络预测模型的预测精度明显优于BP神经网络,对交通流量预测问题有较高的应用价值.     

考虑混沌特性的PSR-XGBoost短期交通流预测

为了提升主动式交通管理的水平,结合相空间重构和XGBoost算法提出了 一种短时交通流预测模型.首先,改进了传统的数据预处理方法,通过层次聚类判定交通流状态,并根据不同的交通流状态对缺失、异常数据进行填充.其次,利用相空间重构将一维数据映射为多维数据矩阵,并利用时间序列复杂网络验证数据重构效果.最后,将多维数据矩阵输入...     

基于GRNN并融合卡尔曼滤波实现短时交通流预测

针对卡尔曼滤波应用需要构建精确数学模型的局限,提出将广义回归神经网络与卡尔曼滤波相融合,并将其用于短时交通流预测。这种融合后的新方法利用了GRNN良好的非线性映射能力,能对实际系统进行系统辨识,并获得符合预测要求的系统状态方程。深圳市实际流量数据的验证表明,这种方法在简化系统数学建模的同时,也能达到较高的预测精度,从而证实了这种方法的可行性和有效性。     

小波神经网络在短时交通流预测中的应用

研究了小波神经网络对于预测短时交通流的适应性,提出了利用小波神经网络的特性建立短时交通流预测模型;并利用苏州市某交叉口实测交通流量,运用小波神经网络建立了非线性回归预测模型,结果证明预测是可靠的,有助于城市交通流动态参数的预测,可为 ITS 的构建提供数据支持     

用神经网络方法对高速公路交通流控制模型中的参数进行辨识

从高速公路交通流的宏观、动态特征出发，首先给出了交通流控制和仿真中常用的宏观、动态、确定性交通流模型，并利用神经网络的方法对模型中的参数进行辨识．从而获得能比较准确描述交通流真实行为的模型，以此来解决高速公路交通的最优控制问题．     

事件状态下高速公路隧道群的交通流特性分析

为研究事件状态下高速公路隧道群交通流的变化规律,建立了事件状态下基于元胞自动机的隧道群交通流模型,首先将已运营隧道群实际路网输入VISSIM仿真软件,对隧道群进行合理分段,结合亿车公里道路交通事故率和平均延误时间求取隧道群各路段的最佳限速值。通过分析隧道群交通流环境特征和影响因素,改进正常状态和事件状态下元胞自动机模型的不同演化规则,并采用MATLAB仿真,分析速度、密度、交通量3个参数的时空变化规律。仿真结果表明,正常状态和事件状态下交通流3个参数的时空变化规律符合实际情况,该结论对事件状态下隧道群交通流的控制和诱导等实际应用具有指导价值。     

基于交通量演变模式检索的高速公路交通量预测方法

由于高速公路具有通行能力强、运输成本低、经济效益好和方便、快捷、舒适等优势,现在已经成为我国交通运输的主要方式.但是随着道路通车里程和交通运输量的增加,高速公路也出现了诸如交通事故增加等负面影响.因此,掌握高速公路交通量预测方法能够为我国高速公路交通事故的预测和预防提供理论依据.本文根据交通量演变模式检索的原理和在交通预测中的作用展开论述.     

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。     

基于小波核的LS—SVM算法在城市交通流预测中与其他核函数对比研究

针对城市交通流短时流量预测在智能交通系统中的重要性,在以往研究基础上采用Morlet函数作为小波核函数,进一步提高了模型的预测精度及泛化能力．将其与其他几种常用核函数模型进行比较,其效果明显优于其他核函数模型,能够满足智能交通控制和诱导的要求．     

基于模型预测的宏观交通路网优化研究

为了缓解日益严峻的交通拥堵,解决大尺度交通网络微观建模复杂度高以及路网整体性能优化等问题,设计了基于模型预测的宏观交通网络优化模型。先获取大尺度交通网络的宏观交通流图(MFD),并在此基础上设计了模型预测控制器(MPC),改进了道路交通模型,以满足模型预测控制对预测模型的准确性要求。设计系统评价函数,在优化总时间花费(TTS)的同时,控制路网累计车辆总数逼近标准值,从而提高路网运行效率与流畅度。实验结果表明,在该模型作用下,车辆的总体时间花费与平均流速都得到了优化。     

一类交通流模型研究

针对一类动态交通分配中的输出流模型,在一定的条件下,研究该模型的解,并利用数学软件Mathematica7给出初始条件下的数值解,最后结合特定路段的交通流数据进行数值仿真并进行比较.     

基于大数据的交通流理论与仿真实验教学研究

大数据时代改变着人们的出行行为,进而影响着交通流的分布状态,交通流理论与仿真实验的教学内容因而悄然而变。为了依托大数据提高交通流理论与仿真实验的教学效果,深入解读与剖析交通流大数据的内涵、外延、来源与类型,使用文献调研法,总结和归纳了交通流大数据的常用采集设备与方法以及数据分析与建模情况。本文根据交通流大数据和交通流理论与仿真实验的内在关系,以举例形式说明了交通流理论与仿真实验的教学内容和交通仿真实验指导方案的设计流程;在此基础上,提出了以"数据"为轴线的实践检验思路;最后,概括了新教学模式的特色与优势。顺应时代发展需要,基于大数据的交通流理论与仿真实验教学模式值得推广与借鉴。     

基于LSTM等深度学习方法的股指预测研究

为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。     

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。     

高速公路桥头路堤工后最终沉降量预测研究

以软土地区某高速公路桥头路堤工程为例,介绍了砂井堆裁预压法的原理,根据实际路基沉降观测数据,对路基的沉降规律进行研究,并采用三点法预测了路基最终沉降量,并将二者进行对比分析．研究表明：地基沉降量的90％以上发生在地基的中上部,深度为1．0—10．0米范围;该桥头0号桥台路堤累计沉降量为221.8mm,1号桥台路堤累计沉降量为200．9mm,且三点法预测结果与实测结果接近。     

基于 PPG 信号的 LSTM 网络同步动脉血压预测

为通过光电容积脉搏波信号获取动脉血压参数,并将其作为判断个人健康状况的依据,基于 Tensorflow框架训练 LSTM 网络模型与传统 RNN 模型,使用 625 000 条光电容积脉搏波数据序列通过忘记、选择记忆、输出阶段得出符合生理规律的血压参数,将两种模型放在 125 000 条样本的测试集中进行有效性验证。实验结果表明,训练后的 LSTM 模型对血压的预测比传统 RNN 模型更准确,LSTM 预测评价指标 MAE、RMSE、STD 和 R2_score 分别为 4.05、8.78、7.42 和 0.89,且预测结果符合美国医疗仪器促进协会标准（MAE<5mmHg,STD<8mmHg）,而传统 RNN 模型则为 11.58、17.03、14.54 和 0.73。LSTM 模型能较好地预测血压参数,在生物医学领域有较高的应用价值,其效果优于传统 RNN 模型。     

基于深度神经网络的砂岩储层孔隙度预测方法

为了提高储层参数的预测精度,使用深度神经网络(deep neural networks,DNN)对储层的孔隙度进行预测;在深度神经网络中应用Adam自适应学习率优化器,并与卷积神经网络(convolutional neural network,CNN)和BP神经网络(BP neural network,BPNN)进行预测精度对比;网络训练中引入丢弃(dropout)正则化技术随机丢弃每层神经元来减少过拟合现象;采用Relu函数避免深度神经网络在迭代时陷入局部最小值,加速参数更新,增加收敛的鲁棒性。以测井数据为驱动,同时以网络模型的超参数调节对孔隙度预测精度的影响进行实验模拟。实际资料处理表明,随着网络深度增加及参数调试,DNN预测数值与原始数值高度吻合,采用深度神经网络的储层孔隙度预测方法可以应用于利用测井资料开展储层预测的实际生产。     

高速公路软基沉降预测误差分析

简要介绍了当前高速公路软土地基沉降预测不准确而产生的危害,分析了软基沉降预测误差产生的原因,并提出了减少软基沉降预测误差的方法。     

基于LSTM深度神经网络的智能网联汽车轨迹预测

基于LSTM深度神经网络,通过实测数据分析验证了所提方法的鲁棒性和稳定性.具体选取了车辆减速测试、振荡测试、高速测试和低速测试四种实测场景,结果均显示本文所采用的轨迹预测方法可在多种复杂场景下满足工程预测的精度需求.研究结果可对智能网联汽车的车辆控制、轨迹优化以及交通管控提供理论指导.     

基于人工神经网络的广西GDP预测研究

GDP预测由于其影响因素复杂、具有很强的非线性、是典型的“黑箱”模型,所以是一项非常重要而复杂的工作.建立在计量经济学理论基础上的线性方法,难以描述GDP预测中的非线性现象,容易造成预测误差过大.BP网络比传统的多元线性回归精确度要高,泛化能力也好.可以为相关部门制定发展战略、发展规划提供有效的技术支持.