基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题，论文从非线性时阅序列的角度对短时交通流量预测进行探讨，提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下，对交通流量数据进行相空间重构。构建了RBF神经网络，并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明，该方法对模拟产生的混沌时间序列具有很好的预测效果，在交通流量的短时预测上也具有较高的预测精度。     

基于神经网络和Markov链的交通流实时滚动预测

将神经网络与Markov链理论应用于随机波动的交通流预测,提出一种交通流实时滚动预测方法TDFNM。该方法采用BP网络构建交通流基准预测曲线,使用SOM网络划分残差的Markov链状态,计算各状态加权中心及状态转移概率矩阵,以此预测未来状态,并以加权中点修正计算得到精度较高的预测值,同时实现实时滚动预测。采用方法TDFNM对实测交通流量进行仿真实验,结果表明,该方法比常规BP网络具有更高的准确性,而且具有较强的适应性。     

基于数学模型的短时交通流预测方法探讨

在概述交通流预测方法发展的基础上 ,重点介绍了三种基于确定的数学模型的短时交通流量预测方法 ,并针对其中一种模型提出了与神经网络相结合的改进方案.     

基于主成分分析和组合神经网络的短时交通流预测方法

提出一种将主成分分析和组合神经网络相结合的方法来预测短时交通流量.将预测路段历史流量及其相关路段的历史流量进行主成分分析,分析结果作为组合神经网络的输入数据,这样不仅减少了输入变量个数,减小网络规模,而且保留了原始变量的主要信息,消除变量之间的相关性.给出了一个说明该方法有效性的例子,用同一组数据比较该方法与典型BP网络的预测效果,结果表明该方法明显优于BP网络.     

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

基于混沌分析的道路网交通流短时预测

道路网交通流短时预测是实现智能交通控制和诱导系统的基础,本文以实时采集的交通流数据为基础,运用状态空间重构和G-P算法进行交通流短期特性研究.具体而言,通过分析交通流的混沌特性确定交通流率时间序列的嵌入维数,重构相空间,并以重构的交通流率时间序列作为输入采用Elman神经网络实现道路网多断面交通流率同时预测.研究结果表明,在道路网交通流短时预测方面Elman网络优于经典的BP网络,基于混沌时间序列分析的Elman网络不仅能够实现道路网多断面同时预测,且预测效果优于无重构的神经网络.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。     

基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

基于投影寻踪自回归的短时交通流预测

厦时准确地进行交通流短时预测是智能运通系统（ITS），尤其是其先进的交通管理系统（ATMS）与先进的出行者信息系统（ATIS）研究的关键内容之一。随着预测时间跨度的缩短，交通流量的变化显示出越来越强的不确定性，使得一般方法的预测精度大大降低。例如：非参数回归的算法是一种“无参数”、可移植、高预测精度的实时预测算法，在变通流预测中发挥了很大的作用。但随着样本数据维数的增加．存在“维数祸根”的现象。针对目前短时交通流预测存在的问题，本文提出一种基于投影寻踪自回归技术的短时交通流预测模型，解决了“维数祸根”和高维数据闻的非正态、非线性问题。经过实测数据验证。谊算法完全满足实时交通流预测的需要。     

短时交通流预测模型的分析与评价

从短时交通流预测定义出发，介绍短时交通流预测的原理及预测模型应具有的特性，重点介绍几种预测模型，对其建模的理论基础、特点及其可行性、有效性进行分析，并比较和评价各类预测模型。     

基于神经网络的交通信息融合预测方法

为了更加准确地预测动态变化的交通信息，通过分析城市道路交通流量变化的特点，提出一种基于神经网络的融合预测方法。这种方法根据预测数据各属性的特点，将数据构造为多个相关的时间序列。在此基础上，对各序列采取不同的处理方法，然后利用神经网络进行融合，得到最终的预测结果。这种方法可用于数据动态预测的各种领域。实验结果表明，采用这种方法可以有效地改善数据预测的误差。     

D-FNN模型对中国FDI的预测

建立了动态模糊神经网络模型,并运用此模型对中国经济产生深远影响的FDI进行了预测。结果表明D-FNN在预测精度上表现优异,具有一定的实用性。     

基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用

给出一种新颖的用于股价预测的基于扩展Kalman滤波的神经网络学习算法。与传统的BP算法相比，该方法具有更好的收敛率和学习能力。通过对股票的预测实验验证该方法的可行性和有效性。     

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

交通网络最大流关键边

在交通运输中,交通管理部门总是期望运输网络中的车辆按最大流运行。然而因各种突发事件(交通事故、自然灾害等)造成道路中断的现象普遍存在,此时,原网络最大流一般就不能达到,因而,产生交通堵塞,影响交通网络的使用效率。为了解决这个问题,本文提出了某一边突然中断的交通网络最大流的关键边问题,给出了相应的求解算法,并分析了其时间复杂性,然后结合实际交通网络给出算例,最后指出这对提高交通网络使用效率具有实际意义。     

基于MATLAB的神经网络在股市预测中的应用

以道氏三大假说作为理论基础，设计一个三层BP网络，并建立相应的数学模型，以MATLAB为工具，个股上海石化(600688)140天实际收盘价作为样本，对网络进行训练后，预剩10天的收盘价，并计算出与实际收盘价的高差Q＝0．0146，Q已经小到几乎可以忽视的程度。