改进PSO-LSTM算法预测高速公路交通量

高速公路交通政策的制定需要准确的预测交通量,基于此,选用LSTM机器学习模型对其研究,针对LSTM模型中参数确定的问题,选用 PSO算法对其优化,同时针对PSO算法中粒子位置更新问题,以公式中各参数含义为切入点进行改进,将PSO算法公式中原来静态的惯性权重及学习权重改为会随着迭代次数及粒子位置改变而改变的动态值,从而达到搜寻精度提高的目的,据此构造改进PSO-LSTM模型,最后通过实例计算分析,分别对高速公路的工作日及休息日进行预测。结果表明改进的PSO-LSTM模型较LSTM模型在工作日及休息日交通量的预测上,其评价指标均方根误差分别提高了12.19%、10.97%,平均绝对误差分别提高了17.06%、15.17%,平方绝对百分比误差分别提高24.56%、23.88%,精度提高值明显高于PSO-LSTM模型。改进PSO-LSTM模型在交通量预测精度上具有显著提高作用,且抗干扰能力强,可以为政策的合理制定提供更可靠的依据。     

基于BP神经网络的高速公路交通量预测

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用BP神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

高速公路城市化路段短时交通量预测方法研究

在对高速公路进出城路段交通拥堵现象产生原因进行分析的基础上,基于径向基神经网络的思想,建立了适用于高速公路城市化路段的短时交通量预测模型,为高速公路服务水平判定、交通控制与诱导提供理论依据和技术支持。最后,以京津塘高速公路城市化路段为例,对建立的模型进行效果验证,结果证明所建立的方法是有效性的、可行的。     

基于黑洞算法的LSSVM的参数优化

采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化,提高LSSVM的预测性能.黑洞算法模拟自然界黑洞,吸引一定范围内的星体向其运行并吸收它们;算法在运行过程中,始终保持黑洞为最优解,通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测,并对二者进行了仿真研究.仿真结果证实,黑洞算法可以更好地实现LSSVM参数的优化搜索,且基于黑洞算法的LSSVM方法具有更高的预测精度.     

基于改进GRU模型的高速公路短时交通量预测

为了提高短时交通流的预测精度,采用灰狼算法(grey wolf optimizer,GWO)优化门控循环单元(gate recurrent unit,GRU)神经网络参数,构建基于超参数自适应寻优的高速公路短时交通流量预测模型,提取交通流的时变特征,准确预测短时交通流量.选取高速公路出口匝道交通数据作为实验数据输入,基于TensorFlow为后端的Keras完成GWO-GRU模型框架的搭建,并与支持向量回归算法(support vector regression,SVR)、K 近邻算法(k-nearest neighbor,KNN)、长短期记忆神经网络(long-short term memory,LSTM)、门控循环单元(GRU)模型进行对比分析.实验结果表明,在3种不同时间间隔的高速公路匝道交通数据集的预测中,改进后的GRU模型具有较好的预测性能,其平均绝对误差(mean absolute error,MAE)比次优模型分别减小了 9.22％、8.54％、8.03％.     

基于黑洞算法的LSSVM的参数优化

采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化,提高LSSVM的预测性能.黑洞算法模拟自然界黑洞,吸引一定范围内的星体向其运行并吸收它们;算法在运行过程中,始终保持黑洞为最优解,通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测,并对二者进行了仿真研究.仿真结果证实,黑洞算法可以更好地实现LSSVM参数的优化搜索,且基于黑洞算法的LSSVM方法具有更高的预测精度.     

高速公路交通量预测与监控策略

文章以宁宣杭高速公路宁国至千秋关段为例,分析了高速公路交通量的预测方法,并在预测交通量的基础上,提出了宁国至千秋关段高速公路的控制策略,为今后高速公路监控系统设计提供了依据。     

基于PSO算法的HVAC系统LSSVM预测控制

针对暖通空调(HVAC)系统,提出一种基于粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的预测控制方法。该方法利用LSSVM建立HVAC系统预测模型并预测系统的输出值,引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造加权预测控制性能指标。由PSO算法滚动优化得到系统的最优控制量。利用该控制方法对一个HVAC系统进行仿真实验,结果表明该方法具有较好的控制效果。     

基于混合智能算法优化LSSVM的短期风压预测

利用最小二乘支持向量机(least square support vector machine, LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization, ACO)和粒子群(particle swarm optimization, PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.     

高速公路交通量预测失准问题与对策

文章根据三条高速公路建设项目关于交通量预测的后评价寻找预测缺陷。并总结交通量预测失准的原因，提出了解决该问题的三项具体措施。     

高速公路突发事件恢复重建期交通量预测

为了提升高速公路突发事件应急管理能力,为突发事件恢复与重建施工及路网拥堵状况预判提供依据,提出一种高速公路突发事件恢复重建期路网交通量预测方法,利用扩散卷积和序列到序列学习框架模型,结合预定采样技术捕捉时间序列时空相关性,以高速公路联网收费数据为基础,建立路网交通量分配模型,实现对交通量时间精度下的分配;利用扩散卷积递归神经网络(DCRNN)构建高速公路路网交通量预测模型,运用扩散卷积运算来捕捉交通量的空间相关性,并使用预定采样编码器-解码器结构有效解决交通量的时间依赖问题,模型将交通的空间性建模为有向图上的扩散过程,而不是传统的网格划分;并选取自回归滑动平均模型(ARIMA)模型和机器学习BP神经网络模型对模型的准确性及有效性进行了验证。研究结果表明:将河北省石家庄高速公路路网发生突发事件后15d交通量数据做训练集,后7d数据进行验证,迭代60次时,测算每15min间隔内的路网交通量的模型精度达到0.95。提出的模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)更低,能够有效弥补单一化神经网络预测模型仅能做出时序性预测的不足,可显著提高预测结果的精确性和实用性。     

基于PSO优化LSSVM的出水BOD5预测建模

针对城市污水处理中有机物污染度指标BOD5缺少运行状态信息难以做到实时检测,提出了一种基于粒子群算法（PSO）优化最小二乘法支持向量机（LSSVM）的出水BOD5预测控制策略。在保证出水水质参数稳定达标条件下,提取城市污水处理过程中输入输出参数数据,通过LSSVM对被控对象出水BOD5进行建模,同时利用PSO对LSSVM模型进行参数寻优,获得最佳正则化参数γ和核函数参数σ。仿真结果说明,该模型提高了对出水BOD5值的预测精度并具有良好的泛化能力,达到了实时性的效果。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

浅议高速公路交通量预测和收费标准制定

四阶段法基于起讫点调查,要获得全部路段交通量比较困难。经济增长因素、转移交通量、路网条件的 变化还影响其准确性。建议采用起讫点调查与区域内路段交通量历年实测量相结合的方法,提高前期收集数据的准确性;在标定交通量与分配模型时采用非平衡模型中的静态多路径分配方法,着重考虑出行时间、出行距离以及路况等因素对出行者选择出行路线的影响,使预测交通量更接近实际交通量,确定出相应的、合理的费率标准,让投资者在政府允许的年限内还清贷款和利息。     

区域交通量预测的优化与应用

本文主要论述了进行区域交通量预测的基本方法和优化原则,通过比较传统的交通量预测三种方法,得出了在进行区域交通量预测时,要把三种传统的预测方法进行有机地结合使用结论。并以实例加以回推,进一步强化了研究交通量预测模型与把预测的结果应用于实践同样重要。     

公路交通量预测的思想方法

从分析公路交通量预测中存在的问题入手 ,提出了交通量预测中应有的思想方法。为提高交通量预测的准确性 ,笔者认为在交通量预测工作中应树立起系统分析的思想 ,采用定性、定量、定时相结合的方法 ,加强对预测理论系统的研究。     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多面复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础.借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型.在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制.仿真结果表明:该方法能够比较准确地列火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段.