基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。     

基于模糊综合评价的城市快速路交通状态判别研究

选取速度和占有率评价指标,建立基于熵权法和灰色关联分析的快速路交通状态模糊判断模型。模糊综合评价的权重由熵权法和灰色关联分析组合分析得到,最终通过计算得到交通状态的量化结果。结合实例分析可知,方法可行且有效,与基于单一速度或占有率的方法相比,具有较好的稳定性,能够为城市快速路交通状态判别提供理论依据。     

基于神经网络的交通状态模糊判别方法

针对交通流的特点,建立了基于神经网络的交通状态模糊判别方法.综合考虑检测器采集的流量、速度和占有率信息,采用三个模糊规则进行推理,利用具有模糊输出的BP神经网络对交通状态进行评价.利用虎门连升路采集的交通信息对算法进行了验证.研究表明,该方法具有较强的自学习、自组织和自适应能力,不仅可以确定交通的状态,而且可以识别出属于该状态的程度,使判别结果更加具体,为交通状态的判别提供了一种新思路.     

神经网络方法在城市需水量预测中的应用

本文详细阐述了采用BP神经网络和模糊神经网络进行城市需水预测的方法,并将这两种方法和灰色预测模型应用到石河子市需水预测的实证研究中.通过对这三种方法进行比较研究,发现在相关因素数据比较齐全时,两种神经网络的模拟结果精度较高,模糊神经网络方法的模拟精度最高.     

快速路系统服务水平模糊综合评价

快速路网络系统的服务水平评价是一个多目标综合评价问题,论文从快速路系统目标出发,以系统管理者为评价主体,利用层次分析法和模糊综合评价方法,建立了快速路系统服务水平二级综合评价模型,确定了评价指标体系,采用单准则AHP构权法确定了评价指标的权重,建立了各个评价指标的隶属函数,选择了适宜的模糊评价模型,提出了根据应用目的确定评价结果的方法,最后,进行了算例分析。论文提出的方法可应用于运营阶段快速路系统的服务水平评价中。     

模糊神经网络在股票价格预测中的应用

股票的价格受经济、政治、公司经营状况和市场人气等多方面的复杂影响,且各因素自身具有模糊性和混乱性,再加之股票市场是一个非线性的系统,所以急需利用一种较好的方法解决该问题.而模糊神经网络恰能解决上述问题.本文基于模糊神经网络的相关理论建立股票预测模型,并以实例加以验证.     

城市快速路布局方法

为了使城市快速路网规划符合城市发展的需要，提高城市路网的整体效益，分析了城市快速路的功能、适应性与快速路网布局的现状，把公路网规划中的节点重要度理论和交通区位论中的交通线干涉理论引入到城市快速路体系规划中，计算路网规划方案重要度，采用层次分析法对规划方案进行了评价。评价结果表明：优选规划方案符合城市规划专家的直观判断，为城市快速路线位布局规划提供了理论依据。     

基于模糊神经网络的农作物虫情预测

针对农作物虫害发生比较多，且具有复杂性和模糊性的特点，以及模糊神经网络在解决非线性复杂问题方面具有的独特优势，提出了一种基于模糊神经网络的农作物虫情预测方法。该方法结合了模糊逻辑理论、人工神经网络优点，推理速度快。仿真结果表明，该方法不仅操作适用方便，而且虫情预测的结果准确，具有广泛的应用价值。     

基于随机生存森林的城市快速路交通事件持续时间预测研究

交通事故、抛锚等交通事件对城市快速路的运行影响极大;准确预测交通事件的持续时间可有助于主动交通管理措施的实施,提升通行效率与安全。本研究采用随机生存森林模型开展交通事件持续时间分析,以克服传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷。研究基于上海城市快速路网交通事件数据,并结合道路几何线形、交通运行、天气状况等数据。原始数据库分为训练数据(80%)和测试数据(20%)。分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度。     

基于FCM快速路交通状态判别加权指数研究

加权指数m是影响模糊C名)值聚类(fuzzy Cleans,FCM)的一个关键参数,为提高快速路交通状态模糊判別性能,针对m取值的问题提出了一种兼顾算法判別精度和聚类效果的优选方法。该方法以流量、速度为交通状态评价参数在不同加权指数m和样本量n下进行聚类分析,从算法判別精度、类内间距、类间间距、目标函数收敛性四个方面对m的最优取值进行了深入研究。以某市快速路为例別用MATLAB模糊逻辑工具箱分析实验数据的隶属度和聚类中心,以上四个方面在n×m种组合情形下综合分析,得出快速路交通状态模糊判別m的最优取值,并进一步验证了该方法的可行性。实验结果表明,以流量、速度为状态评价参数的快速路交通状态模糊判別加权指数m的最佳取值为2.25。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

面向出口匝道拥挤的快速路速度协调控制模型

为缓解快速路出口匝道的交通拥挤,提出了从主线上进行速度协调控制的方法,在现有基于断面的速度协调控制模型的基础上,通过对入口匝道、出口匝道等的修正构建了面向出口匝道的基于车道的速度协调控制模型,描述和预测每个车道的交通流状态,以路网行程时间最短、总通过量最大为优化目标,对每个车道分别进行最佳速度引导.并搭建仿真系统,分析不同交通需求情形下,基于车道和基于断面的速度协调控制策略的实施效果.结果表明:速度协调控制策略更加适用于中高密度,当交通需求量较高时,相比于无控制策略,基于车道和基于断面的速度协调控制模型均能降低车辆平均延误,且在大多数情形下,基于车道的速度协调控制模型效果优于基于断面的控制模型,对缓解交通拥堵、提高交通安全具有一定助益.     

城市道路交通拥堵的模糊神经网络评析

以城市道路网络的拥堵状况为研究对象,运用模糊层次分析以及神经网络理论构建城市道路交通拥堵的模糊神经网络评价模型.以层次分析为准则,从微观层、中观层、宏观层等方面建立道路交通拥堵三层评价指标体系;利用模糊一致性判别矩阵界定道路交通拥堵评价因子综合权重,基于BP神经网络构建了道路交通拥堵的模糊神经网络评价模型,并对道路交通拥堵评价区间进行阈值确定,将道路交通拥堵评价集界定为严重拥堵、中度拥堵、轻度拥堵、较为畅通、畅通等5个等级.以2016年上海市20个交通小区的道路交通拥堵数据为样本进行实例分析,结果表明该方法的可行性以及有效性.      

基于模糊神经网络的无刷直流电动机的速度调节器

提出了一种作为无刷直流电动机的速度调节器的参数自校正模糊神经网络控制器。重点研究了模糊控制器的设计、系统增益参数的确定方法和BP神经网络的实现方法。采用双模控制方法，提高了系统的性能。通过数字仿真，证明了采用模糊神经网络控制方法的速度调节器能够提高系统的动、静态特性，减小转矩脉动并使系统具有较强的鲁棒性和抗干扰能力，同时提高了系统的实时性。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

基于DSP的无刷直流电动机模糊神经网络调速系统

为有效降低直流无刷电动机固相电流换相而引起的转矩脉动，设计出以TMS320LF2407为核心的全数字调速系统．给出了硬件电路的设计，驱动电路简单、高效；分别对参数自调节模糊控制器和BP神经网络控制器做出了数学解释；提出以系统超调量为判据实现切换的双模控制系统；论述了在换相过程中保持PWM占空比等于1来减小换相转矩脉动的方法．实验结果表明，该系统具有明显优于PI调节器的转矩脉动抑制效果、较强的鲁棒性及抗干扰能力，且超调更小，响应时间更快（超调量减少12％，响应时间缩短30％）。     

模糊神经网络的若干进展

文章对本世纪80年代中期兴起并紧密结合现代科学技术进步的一门新兴学科——模糊神经网络进行了综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络研究中有待解决的许多阿题。对开展模糊神经网络的研究将具有启迪作用和现实意义。     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于模糊神经网络自适应控制研究

为了改善模糊神经网络控制系统的收敛速度,提出一种模糊神经网络自适应控制方案,在传统控制结构的基础上增加系统输出反馈网络,一方面使得控制量包含更多的系统动态信息,另一方面,也不至于增加模糊神经网络控制器的复杂度。仿真结果显示此种结构能够加快控制系统的收敛速度。