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.     

非参数小波算法的交通流预测方法

及时准确地进行交通流短时预测是智能交通系统,尤其是其先进的交通管理系统与先进的出行者信息系统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.本文应用非参数回归理论并结合小波分析算法,将交通流数据按不同频道分解,然后重构信号时舍去噪音频道,得到光滑的交通信号曲线,进而利用非参数方法中的最近邻规则对未来交通流进行预测.经过实测数据验证,算法能对交通参数做出很好的预测.     

基于RBF神经网络的短时交通流预测

根据短时交通流的特性，以神经网络技术为基础，构建短时交通流预测的神经网络模型，并用某高速公路实际短时交通流观测数据进行验证。     

基于小波分解与重构的交通流短时预测法

交通流短时预测是交通控制与交通诱导系统的关键问题之一 .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 ,使得一般的预测方法难以奏效 .本文探讨了小波分析在交通流短时预测中应用的可行性 ,提出了一种基于多分辨率小波分解与重构的交通流短时预测方法 ,介绍了该方法的原理 ,讨论了模型参数的确定 ,给出了仿真实验研究结果.     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

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.     

基于小波支持向量机的电梯交通流预测模型

考虑到电梯交通流本身所存在的非线性、复杂性和随机性,提出了一种基于小波支持向量机的电梯交通流预测模型.该方法采用菜大厦实测的4周交通流数据,以前三周统计的交通流时间序列构成训练样本对预测模型进行训练,后一周的交通流时间序列作为测试样本.仿真实例验证了该模型在精度、训练时间、泛化能力、最优性等方面取得了较好的效果.     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量,能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型,利用BP 神经网络对样本数据进行处理,再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段,利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证,并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

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。     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

MRA与GP/MP组合预测及在陀螺仪漂移预测中的应用

研究MRA(Multi-resolution Analysis MRA)与GP/MP(Grey prediction model/Markov prediction model)组合预测及在陀螺仪漂移预测中的应用。陀螺仪漂移是各种外界环境影响下产生的综合效果,不同的外界影响产生的漂移样本频率特征是不同的,因而不适合用单一的预测模型进行预测。用小波将陀螺漂移信号进行分解,根据各子信号的频率特征选用灰色预测模型或马尔可夫预测模型分别进行预测,还原为总的预测结果。仿真试验显示,这种组合方法比起用单一的灰色马尔可夫方法可以将精度提高一倍左右,证明了这种方法的有效性。     

正交尺度小波网络在我国税收预测中的应用

提出一种用正交尺度函数代替RBF网络中的激活函数的小波网络,给出相应小波网络学习算法;并以我国1978~2001年的税收数据为样本进行税收模拟预测,预测结果表明,该模型预测误差低于普通BP网络。     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.