基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

改进BAS-Elman神经网络的港口货运量预测

为对港口货运量进行科学精准预测,结合天牛须搜索(beetle antennae search,BAS)算法和蒙特卡洛准则,提出一种改进BAS的Elman神经网络预测模型.收集上海港1989—2018年内的货运量以及当地各项经济数据,建立港口货运量预测评估体系,对各项影响因子进行预处理,消除数据冗余信息对预测的影响,对预处理后的数据进行仿真测试.实验结果表明,该模型预测准确率可达95％以上,有效地提高了港口货运量的预测精度.     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.     

基于压缩感知的航空货运量模型研究

最近十几年,压缩感知(CS)理论得到快速发展,并广泛应用于图像重建、信道估计以及谱估计等不同领域.主要研究压缩感知理论在我国航空货运量建模中的应用,以1991~2006年我国航空货运量的统计数据为基础,利用压缩感知理论对我国航空货运量建模,并通过正交匹配追踪(OMP)算法得到我国航空货运量的压缩感知模型.通过拟合误差指标的比较可知,基于压缩感知理论的航空货运量模型具有模型相对比较简洁,拟合精度高于基于灰色GM(1,1)以及基于回归分析法的航空货运量模型等优点.实验证明,此方法可应用于短期内我国航空货运量的预测,为航空货运市场调控提供有效理论依据.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和径向基神经网络（Radial basis function,RBF）的组合预测模型 。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值（水路货运量）进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入到RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

基于弱关联频繁模式的超限行为挖掘优化

目前采用博弈分析和流量预测等模型,对未来时间段道路网货运车辆超限行为进行提前识别,取得一定的检测效果,但对具有时空动态性和迁移性的超限车辆分布挖掘仍具有局限性.根据道路网超限车辆数据特点,提出一种基于弱关联频繁模式的超限行为的挖掘优化算法,该算法采用空间弱关联频繁模式构建的超限频繁模式树,建立时间弱关联的状态转移模型,得到频繁模式的预测值.在FP-growth频繁模式挖掘算法的基础上,首次建立了超限模式挖掘与货运车辆行为数据的时空弱关联,使超限行为预测算法误差率降至6%以下,有效提高了超限行为的检测效率.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于神经网络算法的公路货运量预测方法

以陕西省为例,运用灰色关联分析法确定公路货运量的影响因素分别为地区生产总值、第一产业增加值、第二产业增加值、工业增加值、人均地区生产总值、全社会固定资产投资和社会消费品零售总额.将所确定的因素作为公路货运量的预测指标,建立基于BP神经网络的公路货运量预测模型,并对模型进行应用测试.结果表明:该模型具有较高的精度,最大误差为5.3%,可以提高公路货运量预测的准确度,为我国公路货运量的预测研究提供方法支撑.     

基于时空数据挖掘的铁路客流预测方法

提出了一种新的基于时空数据挖掘的铁路客流预测方法,该方法一方面采用统计学原理对目标对象本身的时序进行预测,另一方面通过神经网络解算相邻对象的空间影响,最后使用线性回归得到综合预测结果.采用该方法对某铁路直通区段2004年春运期间旅客总发送量进行预测,与不考虑空间影响的预测方法相比,预测精度有所改善.     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

SDM-EONs中分层图辅助的资源分配策略

为降低空分复用弹性光网络(SDM-EONs)资源分配过程中的芯间串扰,并减少光路频繁拆建所产生的时间和频谱维度碎片,提出了一种分层图辅助的路由、纤芯和频谱分配策略.该策略主要分为离线预测与在线调度两个阶段:首先结合网络中业务序列的时间特性,利用基于门控循环单元的循环神经网络模型完成未来业务属性的离线预测;然后根据图染色理论建立考虑芯间串扰的分层图架构三维网络资源模型;最后利用离线预测结果和分层间的不同特性,设计综合度量时间和频谱维度的自适应在线资源分配算法,从而实现资源的高效调度.仿真结果表明:该策略在提高资源利用率的同时,显著降低了网络芯间串扰和阻塞率.     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷...     

RBF神经网络主成分分析法在交通量预测中应用

文章基于径向基函数(RBF)神经网络应用于交通量预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降这一问题,提出了一种改进的RBF神经网络主成分分析法。用实例证明,该方法在模拟预测中与一般的RBF神经网络模型相比有较好的效果。