基于FNN的电梯群控系统交通模式识别

对于电梯群控系统的调度来说,一个重要的问题就是电梯交通模式识别,针对实时变化的电梯交通流数据,提出了一种模糊神经网络的方法识别交通模式.实际数据测试结果表明,这种方法对于识别群控系统的各种交通模式来说是比较精确的,并且对于群控器的派梯可以起到很好的指导作用,从而提高电梯群控系统的服务性能.     

目的层预约的模糊神经网络电梯群控策略

根据目的层预约电梯系统的新型客流分配模式,分析并归纳出目的层预约情况下电梯群控系统的特征属性,提出一种多目标模糊神经网络电梯群控策略.把目的层预约电梯系统的特征属性作为多目标模糊神经网络的输入,建立并训练模糊神经网络,最后利用该模糊神经网络进行派梯计算.仿真试验证明该群控策略可得到满意的效果.与传统电梯群控策略以及其他目的层预约电梯群控策略的对比试验证明,该方法在提高电梯平均系统时间、长候梯率、长乘梯率及节约能耗等方面都体现出较好的性能优化效果,对高峰交通流模式下的电梯群控系统效果显著.     

基于遗传算法模糊神经网络的电梯群控调度

提出了一种基于遗传算法的模糊神经网络的电梯群控调度方法，即智能多模式群控调度方法，其特点是能够适合于各种交通流模式，该文详细介绍了这种方法的设计思想、结构及其实现，并进行了仿真试验。仿真结果表明，该方法能够适应各种交通流模式的变化，实现了在各种交通模式下根据各种相应服务要求进行电梯合理调度的目标。     

基于小波神经网络的水库来水量预测模型

水库来水量预测是水库调度和水资源优化配置的重要依据,所以其预测精度值得引起重视.通过对小波分析理论和神经网络理论的研究,将两者结合起来,运用小波神经理论方法对水库来水量进行预测.取实例进行建模分析,并建立BP模型与之比较分析,计算结果为小波神经网络预测模型的精度比BP高很多,可以用于来水量预测.     

基于多Agent的电梯智能群控系统

给出了基于Agent的多电梯智能群控系统结构,并对其中的状态协调Agent以及调度Agent进行了深入研究,在分析电梯乘客需求的随机性与周期性特点的基础上,给出了建立客流模板的学习算法.根据乘客的现实需求和预测得出的潜在需求对梯群预测调度,给出了选择客流模板的算法和基于乘客需求预测的最大引力派梯算法.该方法能够利用预测的乘客需求,尽量减小调度的滞后性,从而减少乘客的平均候梯时间及长时间等待率.仿真结果显示了该方法的优越性.     

基于CANBUS的电梯群控系统的算法与实现

为了满足高层建筑和智能化建筑的需要,在研究电梯群控系统运行特点的基础上,提出了多目标的电梯群控系统算法.采用最优化理论的分析方法,分析电梯群控模型及调度策略,以及最大限度地降低系统能耗的群控系统,并基于CAN总线的技术特点,给出了群控系统的实现方案,对电梯群控理论的研究有一定的促进作用.     

基于PSO-Elman高速公路交通流预测研究

本文提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测.     

基于GA-RL算法的多Agent电梯群控系统

针对电梯群控系统这一类复杂的派梯优化决策问题,应用多Agent的理论与技术,建立了系统强化学习模型.提出了一种基于GA算法的多Agent强化学习方法,给出了具体算法的一般描述.建立电梯群控调度系统的虚拟仿真环境,并与其他算法进行了对比研究.仿真结果表明:该方法在提高强化学习的效率和收敛速度,改善种群结构等方面收到了很好的求解效果,为电梯群控系统的优化调度决策提供了一种较好的途径.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP(Internet Protocol)网络视频流,提出了利用神经网络预测尺度因子的预测算法.对可变比特率的压缩视频流完成小波分解,得出尺度因子.通过对尺度因子的预测和小波重建,完成视频流量预测.尺度因子的归一化特性简化了神经网络处理过程.对真实VBR(Variable Bit Rate)视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力.     

基于遗传算法改进的卷积神经网络短时交通流预测

交通流预测对于减少拥堵、节能减排具有重要意义.基于卷积神经网络的预测方法普遍采用梯度下降法训练神经网络,缺点在于预测对网络初始参数敏感.本文采用遗传算法对卷积神经网络的网络参数进行确定从而对短时交通流进行预测.首先,根据交通流数据的特点,设计了适用于交通流预测的卷积神经网络结构;然后,确定卷积神经网络的卷积核与全连接层参数的解空间;随后,采用遗传算法对卷积神经网络参数在可行域中通过选择、交叉、变异三种遗传操作不断迭代搜索得到最优参数解.仿真结果表明,与梯度下降法训练的卷积神经网络相比,该方法拥有更高的预测精度.     

基于神经网络的电梯门系统故障预测方法的研究

为了保证电梯系统安全可靠地运行,需要对电梯进行故障预测.论文分析了电梯系统故障预测的重要性及神经网络预测原理,提出了基于神经网络的电梯门系统故障预测方法.仿真结果表明了该方法在电梯门系统故障预测中的有效性.     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.     

基于小波神经网络的水库泥沙预测

针对水沙机理复杂,水文预报中泥沙难以预测的问题,将小波神经网络应用到水库入库含沙量、泥沙淤积量预测,计算简便,预测结果可为水库短期调度运行和长期运行管理提供依据.采用梯度修正法修正网络权值和小波基函数参数,通过分析影响水库入库含沙量、泥沙淤积量的主要因素,分别建立小波神经网络预测模型.以某水库为例,对其入库含沙量及泥沙淤积量进行了预测.与实测结果的对比分析表明,预测结果的确定性系数分别达到0.70及0.97,且入库含沙量的预测结果较BP神经网络预测结果好.该方法预测精度较高且计算方便.     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上，为满足交通流诱导系统的理论需要，建立了实时交通流量神经网络预测模型，该模型为交通流诱导系统提供了预测交通状况的一种很好的方法。     

基于遗传算法的电梯群控鲁棒优化模型

针对电梯群控调度过程中交通流不确定的问题,建立了鲁棒优化模型,利用遗传算法对所建模型进行求解.对于不确定线性优化问题,研究了不确定集的选择以及模型鲁棒对等式转化方法.仿真实验中,利用电梯群控虚拟仿真环境对鲁棒优化调度算法在不同交通流下进行了验证.以300人/15 min的混合交通流模式为例,鲁棒优化算法的平均候梯时间比静态分区算法降低12.77 s;平均乘梯时间比最小等待时间算法降低9.7 s;电梯启停次数比静态分区算法少8次.实验结果表明,鲁棒优化调度算法对不同交通模式具有更好的适应性,可以减小交通流不确定性的影响,提高电梯群控调度性能.     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

基于改进小波神经网络的短时交通流量预测研究

针对城市短时交通流量具有复杂性和非线性等特点,提出了基于人工蜂群算法(ABC)优化小波神经网络对短时交通流量预测分析模型。以小波神经网络(WNN)为基础,将以前城市采集的交通流量作为预测样本,通过人工蜂群算法优化WNN网络结构、权值和阈值,并建立城市短时交通流量预测数学模型。实验仿真表明,所提出的算法预测结果比仅使用WNN算法以及粒子群优化BP神经网络算法效率更高,是一种有效可靠的交通流量预测方法。     

联合时空特征的交通流参数预测综述

针对交通流参数预测在智能交通系统中的重要性,为寻求更实时准确的预测方法,对联合时空特征的交通流参数预测方法进行综述。以交通时空数据为研究对象,将交通流参数预测方法归纳为统计学习方法、深度学习方法和图神经网络方法。基于这3类方法分别从传统和联合时空特征角度概括了各种方法的研究现状和特点,分析了交通流参数预测的难点。结果表明,联合时空特征的交通流预测方法由于考虑了道路网络中复杂且动态的时空依赖性,相较于传统的同类方法,预测性能有较大提升。最后,从模型输入和模型设计角度,讨论了交通流参数预测未来研究方向。