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。     

考虑交通吸纳点的非参数回归组合型短时交通流预测方法

在城市路网中．交通吸纳点是非常重要的影响交通流量的因素。由于交通吸纳点增加了流量预测的复杂度．一般基于模型的智能算法也不能很好地解决有吸纳点的交通流预测问题。提出一种基于非参数回归的组合方法PCA—FC—NPR．即在对原始数据进行主成分分析PCA（Principal Component Analysis）和模糊聚类FC（Fuzzy Clustering）的基础上．采用以数据驱动的k-近邻非参数回归方法NPR（Non-Parametric Regression）加以解决。针对交通吸蚋点与检测器的位置关系采取不同预测算法。短时交通漉预测示倒结果证明俄方法的有效性。     

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.     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(P，d，0)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计，采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验，结果表明：减小遗忘因子可以提高一步预测的性能。此外，将该算法分别应用于工作日和双休日的数据时，仿真实验都取得了较好的预测效果，说明该算法对不同交通流状况具有较好的适应性。     

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。     

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。     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。     

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。     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

基于微观仿真的快速路短时交通流预测研究

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.为了能够及时准确地进行交通流短时预测,提出了一种以城市快速路为研究对象的以微硬仿真技术为基础的短时交通流预测的方法.该方法以实时的快速路交通流数据为基础,应用M3分布模型对车辆进行初始分布,基于约束卡尔曼滤波进行OD矩阵估计,利用微观交通仿真的方法对快速路的未来交通流进行预测.经过实测数据验证,算法能对交通参教给出较好的预测结果.     

基于主元分析和免疫聚类的双向特征数据压缩方法

针对诊断特征数据中的重复或相似事例样本和特征参量之间可能存在的相关性，提出并实现了一种有效的特征数据双向压缩预处理方法，从而在不损失数据隐含的特征知识的前提下，有效降低学习机器的学习负担。在进行样本参量的降维处理时，采用基于主元分析的横向数据压缩方法，有效地去除了各特征参量之间的相关性。在压缩样本数量时，综述和比较了现有的各种聚类算法，基于竞争和自组织原理，对借鉴生物体的自然免疫系统中克隆选择以及免疫网络自稳定等有关机理的常规免疫聚类压缩算法，作了重要改进，提出了基于主元核相似度的亲和力定义方法，增加了抗原数据归一化、近似样本直接去除等处理步骤，使算法具有更高的执行效率和更广的适应性。并以国际上通用的过程控制仿真对象“Tennessee Bastman”工厂的实际数据进行仿真实验，验证了所提方法的有效性。     

基于主成分分析和归一化RBF神经网络优化的财务综合评价

提出基于主成分分析和归一化RBF神经网络优化相结合的财务综合评价方法,克服传统神经网络财务分析中的评价指标偏少、存在局部极小等不足,为公司财务评价提供新的思路和方法,并利用神经网络模型对我国钢铁业上市公司2007年财务状况进行仿真实验,为分析者决策提供准确、可靠的参考依据。     

基于BP神经网络的股市建模与决策

给出一种基于BP神经网络的股票市场建模、预测及决策方法。研制成功了股票预测与系统，只需输入当天收盘价、成交量等七个容易得到的股票信息，系统就能给出下一交易日的买卖决策。通过对综艺股份及许继电气两支股票的预测与决策实验，表明所提方法有效，且易于操作，有实际应用价值。     

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。