基于IPSO-BP神经网络的短时交通流量预测

短时交通流量具有非线性、随机性等特点,如何准确地进行短时交通流量预测,是智能交通系统研究的一项关键内容。传统的预测模型不能实时反映短时交通流量变化特点,同时BP神经网络的交通流量预测存在收敛速度缓慢、易陷入局部极值、预测精度低等缺点。为了提高短时交通流量预测精度,提出了一种基于改进粒子群算法(IPSO)优化BP神经网络的复合预测模型,引入相对误差指标作为预测模型的评价指标,并利用实测的道路短时交通流数据对所构建的预测模型进行验证。结果表明,所提出的预测模型在短时间内寻出全局最优解,具有较好的预测精度,提高了短时交通流量预测的准确性和可靠性。     

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BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP(Back Propagation)神经网络的交通流量预测模型.以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况.     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

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。     

基于文化萤火虫算法-广义回归神经网络的船舶交通流量预测

为了给海事部门提供科学准确的船舶交通流量预测,本文提出一种基于文化萤火虫算法(CFA)来优化广义回归神经网络(GRNN)的算法(CFA-GRNN),对船舶交通流量进行预测分析.介绍了基于自动识别系统(AIS)的航道交通流量统计方法.利用快速排斥试验和跨立试验来判断船舶轨迹是否穿过航道某一断面的观测线,并将AIS数据中的经纬度数据转换为墨卡托平面坐标系数据.研究了GRNN的实现原理,CFA以GRNN输出均方差为适应度函数,以GRNN的输入层和隐含层中的权值、隐含层和输出层中的权值、隐含层的阈值及输出层的阈值为编码进行优化,进化目标是得到最合适、最优的神经网络结构.利用AIS收集统计到并经过预处理后的数据,应用CFA-GRNN对舟山螺头通航的船舶进行交通流量预测,并对试验结果和误差进行了统计分析.结果表明:CFA-GRNN与GRNN和萤火虫优化广义回归神经网络相比,泛化性能好,不易陷入局部最优,预测结果精度更高.本研究对船舶交通流量进行预测分析有着十分重要的理论和实际意义.     

基于PSO-RBF的边坡安全系数预测

传统的径向基函数(RBF)神经网络在边坡稳定性预测中已经得到了广泛的应用,但由于其在预测中易陷入局部最优且参数选取不当会对收敛性产生影响.故引入粒子群算法(PSO)对RBF神经网络进行优化,利用其全局搜索能力对RBF神经网络的隐含层基函数中心值、宽度以及隐含层至输出层的连接权值进行参数寻优,建立了基于PSO-RBF的边坡安全系数预测模型.以114组边坡数据为训练样本,8组边坡数据为测试样本,结果显示基于PSO-RBF网络预测结果的最大误差为7.36%、最小为0.18%、平均误差为3.77%,而基于单纯RBF网络的预测结果的相应误差分析别为11.04%、1.34%、6.19%.可以看出,前者的预测结果明显优于后者,表明经粒子群算法优化后的RBF在预测精度上有了明显的提高.     

神经网络二次集成预测算法研究

针对常用预测算法不同程度地存在泛化能力不足的缺陷,提出了基于神经网络二次集成的优化算法(NNE2-QQ).该算法在第一次集成时采用量子粒子群算法进行个体网络的选择优化,在第二次集成时采用量子免疫算法进行集成结论生成优化,并通过多次迭代自适应寻求个体和权值的最佳组合,实现神经网络二次集成模型的性能最优,最后实验验证了NNE2-QQ算法的有效性和实用性. NNE2-QQ可从海量数据中发现各种因素之间的联系及其规律,为预测判断提供支持.     

基于改进 BP 神经网络的交通流量预测仿真

交通流预测是智能运输系统中的路径诱导和交通流控制的必要条件,其实时性和可靠性直接关系到交通管理与控制的效果,因此本文利用利用遗传算法对BP神经网络的权值、阈值进行优化,从而应用强大非线性逼近能力实现交通流量的准确预测,并且通过实验进行算法的仿真,结果表明,BP神经网络经遗传算法优化后,精度得到提高,而且BP神经网络对交通流量的预测是可行的。     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

BP算法在交通流量预测中的应用

研究了BP算法在交通流量预测中的应用。针对日益紧张的交通拥挤问题，利用梯度搜索技术，按照代价函数最小准则递归地求解网络权值，使得误差信号最小，提高了实际交通效益，实现交通畅通；仿真结果验证了该方法的有效性、合理性。     

基于GA-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,本文选取安徽省四种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017-2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(Genetic algorithm, GA)和粒子群算法(Particle swarm optimization algorithm, PSO)混合算法优化BP(Back Propagation)神经网络的预测模型,对四种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。     

基于神经网络的蛋白质二级结构预测

提出一种蛋白质二级结构预测的新方法.该方法首先对数据集中的氨基酸序列利用PSI-BLAST程序进行同源序列搜索,得到相应的PSSM矩阵,然后利用滑动窗口方法对矩阵进行编码,得到分类器的输入.采用分类器集成,将所有的样本划分成9个互斥训练集对单个子分类器进行训练.然后,9个单独的0-1子分类器通过最大投票法进行集成,形成识别一种特定的蛋白质二级结构的0-1分类器.这样3个0-1分类器模型通过串行集成,可以对蛋白质的三种二级结构(H/E/C)进行识别.通过对标准数据集RS126,CB396,CB513进行测试发现,对于同一分类器,利用PSSM矩阵作为分类器输入的预测准确率要高于直接将蛋白质序列作为输入的预测率.     

改进神经网络方法对导线耦合串扰的预测

利用一种改进粒子群优化算法的粒子速度、位置修正公式替代传统BP算法的梯度下降法;并基于改进BP神经网络建立了电磁兼容问题中导线串扰电压的预测模型;实验结果表明改进后的方法在预测精度和小样本性能方面要比传统BP神经网络高得多.     

基于PSO-RBF神经网络模型的原水水质评价方法及应用

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前...     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于混合人工鱼群优化SVR的交通流量预测

实时准确的交通流量预测是智能交通系统(ITS)中的重要内容．支持向量回归(SVR)能够用于解决交通流量预测问题,针对SVR中存在的参数选择困难,提出一种混合人工鱼群(AFS)算法．该算法利用粒子群优化(PSO)算法公式改进AFS算法,减小AFS算法中步长因子的影响,并引入混沌初始化AFS机制,选取最优SVR参数,建立了基于混沌PSO-AFS优化SVR的交通流量预测模型．仿真结果表明,该交通流量预测模型具有更优的预测性能,证明了其可行性和有效性．     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

基于多因素粒子群－神经网络算法的短期电价预测

本文提出在神经网络训练中引入基于全局随机优化思想的粒子群优化（PSO）算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。对美国PJM电力市场的实际电价（LMP）进行预测．与传统BP神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,验证了该方法的有效性和可行性。     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.