基于修正动态组合模型对公共交通客运量的预测

针对公共交通客运量的预测问题，结合ARIMA、灰色预测以及BP神经网络的优势，采用临近期的误差平方和来计算动态权重，将突发事件定义为影响因子，建立了修正动态加权组合模型．选取北京市1978—2021年公共交通客运量进行实证分析．实证分析结果表明，修正动态加权组合模型的预测效果比单一模型和固定权重组合模型更好．     

陕西省公路客运需求预测方法研究

通过分析陕西省公路交通运输的现状,统计了近几年的客运量,建立和运用灰色系统理论模型预测未来几年的客运量,为相关部门进行资源合理配置提供参考依据.     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

基于Elman神经网络的铝价格预测

Elman神经网络是一种典型的局部回归网络,独特的连接层结构能记忆过去时刻的状态使网络具有动态记忆功能,特别适合处理时间序列预测问题。本文运用Elman神经网络对长江有色铝A00铝每日平均价格进行模拟预测,得到2018年1月到2018年3月一共53个工作日的A00铝日均价格的预测值。结果表明,Elman神经网络的预测精度较高。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.     

ANN-CE:一种预测DNA结合位点的改进神经网络方法

基于误差平方和最小原则的神经网络方法并不适于解决DNA结合位点的预测问题,提出了一种改进的神经网络方法(ANN-CE)被用于对DNA结合位点进行预测.这是一个以交叉熵函数为目标函数的三层反向传播神经网络.计算结果表明,与基于误差平方和最小原则的同规模BP网络相比,其对DNA结合位点预测的敏感性Sn(sensitivity)和特异性Sp(specificity)可分别提高11.40%和11.91%.     

应用神经网络预测顶升法纠偏加固中的生石灰量

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络模型并提出新的算法,结合某建筑物纠偏工程实例对建筑物纠偏加固所需的生石灰量进行了预测.预测结果表明神经网络方法是可行且有效的.     

基于径向基函数神经网络的投资预测模型

利用径向基函数(RBF)神经网络,建立投资预测模型,有效解决经济投资预测中非线性预测问题.以历史数据为例,对所建立投资预测网络模型进行仿真、分析仿真结果.根据生产总值与投资分配之间存在的映射关系,应用RBF神经网络建立投资预测模型.模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度,更具有较强的实际应用意义.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

基于模糊粗糙神经网络的交通流研究

交通流预测是实现道路交通科学管理的重要内容,文章概述了模糊粗糙神经网络的基本原理,通过模糊粗糙隶属函数建立了基于模糊粗糙神经网络的交通流控制模型,设计了两级协调模糊控制器,结合模糊控制理论和神经网络各自的优点,构造了模糊粗糙神经网络.通过实践结果证明,该算法精度高,学习速度快,适应能力强,对实时交通流预测有一定的指导意义.     

成兰铁路引入成都枢纽接轨方案研究

根据成都铁路枢纽现状,结合城市总体规划、城际铁路网规划、成兰铁路线客货运量、列车开行方案及特点提出成兰铁路引入成都枢纽方案研究思路,确定成兰铁路由青白江站引入成都枢纽和由广汉站引入成都枢纽两个接轨方案．综合考虑运输组织条件、工程投资、铁路线对城市的影响,以及对既有线运营干扰,对两个接轨方案进行综合比选,推荐成兰铁路由青白江站接轨引入成都铁路枢纽方案．     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

轨道交通网络平台的网络外部性对客流的影响研究

轨道交通网络能吸引路网上的客流，因此可以缓解交通拥堵和环境污染等城市问题。采用效用函数构建平台客流模型，并从网络平台视角刻画轨道交通网络平台的客流状态。追踪中国上海相关数据，运用普通最小二乘法、工具变量法——二阶段最小二乘法、异质性分析、稳健性检验等处理方式，对比分析直接网络外部性效应与交叉网络外部性效应，实证检验直接网络外部性与交叉网络外部性对平台上的客流影响。结果显示：增加站点数量对乘客选择轨道交通出行的意愿影响有限；上海轨道交通网络平台的客流规模超过平台自身的最佳荷载量，导致乘客数量源源不断地流失。     

基于Logit模型的兰渝运输通道客流分担率估计

兰渝通道是一条连接西南西北地区的重要运输通道,目前通道内的运输线路尚未完全形成,通道内客流分担率的准确估计对各运输方式的协调发展至关重要,因此有必要对未来通道内的客流分担率进行研究.选取Logit模型,采用运输产品效用值代替传统的用多元线性回归求解的特征函数值,对兰渝铁路开通运营前后,兰州与重庆之间两种运输方式的客流分担率分别进行了估计.结果显示通道初步形成后,铁路运输产品的客流分担率提高了18.2%,其客流运输总量提高到61.5%.     

基于GRU与特征嵌入的网络入侵检测

当前基于神经网络的入侵检测方法并没有将数据分类信息考虑在内，无法有效利用网络流量数据的时序信息，为此将门控循环单元（gated recurrent unit，GRU）和基于分类信息的特征嵌入技术结合起来，构建了基于GRU与特征嵌入的网络入侵检测模型。利用UNSW-NB15数据集进行模型仿真实验，结果表明该模型提高了对入侵攻击的检测率，为入侵检测中大规模数据的处理提供了一种全新的思路。     

湖南西部地区交通运输网络布局的战略构想

在西部大开发战略实施的背景下，分析了湖南西部地区交通运输业建设的现状与问题，提出了运输网络布局的战略构想。认为本区交通建设应实施超前发展战略，构建以公路为基础，公路、铁路、航空、水运相互配合的综合交通运输体系。     

基于神经网络误差修正的灰色广义预测控制

提出一种基于神经网络误差修正的多步灰色广义预测控制算法,采用神经网络对灰色系统的建模误差进行预测,同时根据新信息优先的原则,用最新预测误差不断更新神经网络建模数据,对新出现的误差具有动态补偿动力,最终预测值为模型预测值与预测误差之和,有效地抑制模型误差的影响,增强灰色广义预测的鲁棒性.仿真结果验证了该算法的有效性.