基于GA-WNN和时空特性的交通数据融合

由于时间序列的交通数据重点关注断面交通流量变化,而空间序列的交通数据主要关注路网交通流分布;本文在综合考虑二者特性的前提下利用遗传算法的群体搜索技术及小波神经网络的较强学习能力,提出了基于遗传-小波神经网络（GA-WNN）的交通数据融合模型,使用MAE、MRE和MSE三个指标对交通数据序列进行优劣对比分析。经实例验证,考虑时空特性的交通数据其数据质量优于单一的时间序列和空间序列。     

小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性，使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米法频率步进雷达目标一维距离像所给出的信息，将所提出的小波神经网络用于3种实际雷达目标的识别。实验结果表明，小波神经网络收敛速度快、识别率高。     

基于机器学习的城市交通态势评估与预测方法研究

为更实时准确地评估和预测交通运行态势,以交通检测器提供的大量数据作为研究对象,通过分析交通流时空特征及变化规律,建立考虑谱聚类的K近邻算法,并对城市交通的运行态势进行等级分层并评估.在时间序列分析的基础上,建立考虑时间特性的LSTM和GRU神经网络模型,预测城市交通运行态势并分析对比各模型预测效果.研究结果表明:与传统...     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

动态心电数据的小波网络压缩算法

研究了心电信号的非平稳过程特性,从时间序列建模角度分析动态心电数据表示模型和压缩算法。采用小波网络作为建模工具,将原始心电数据映射为小波网络的参数作为数据重构信息,给出压缩/重建的实验结果并分析讨论。研究表明,小波网络压缩算法继承了小波变换和神经网络的优点。具有较好的压缩性能。     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于交通数据融合技术的行程时间预测模型

针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题,构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络,解决了小波神经网络初始参数选取时盲目与随机性问题,大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好,表明该模型是有效的和可靠的.     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MPEPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MP-EPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。
     

遗传算法与小波神经网络在ET_0预测中的应用

ET_0是计算作物需水信息的重要依据,对于发展精准灌溉、制定中长期的农业用水策略具有重要的指导意义。选择将P-M公式的计算值为ET_0标准值,利用SPSS软件对多种气象数据进行相关性分析并以最高气温、最低气温、日照时数和相对湿度作为输入因子,采取小波神经网络将归一化的历史ET_0标准序列分别进行高低频带的预测,建立结合遗传算法优化小波神经网络的ET_0预测模型。通过仿真对比,基于遗传算法优化的小波神经网络与未采用遗传算法优化的小波神经网络相比具有更高的精度和更快的收敛速度,其中的小波算法能有效处理ET_0序列在预测过程中的周期非平稳特性。经实验样机平台验证遗传算法优化小波神经网络在作物需水预测中具有良好的性能,模型能够为精准灌溉、农业中长期需水决策提供指导作用。     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模。该网络将输入变量的时间序列数据作为网络输入，同时以系统的脉冲响应系数为时间序列输入数据的权值，赋予神经网络模型一定的物理意义，从而使神经网络模型获得更好的外延性，能够更好地表达系统的动态特性。     

基于小波-Elman神经网络的信号交叉口首车到达时间预测

信号交叉口首车到达时间与交叉口进口道的延误等参数具有密切的关系。论文选取信号交叉口首车到达交叉口时间与红灯启亮时间的时间差作为分析对象,对首车的到达时间进行了预测。考虑到周期时长的首车到达时间序列数据波动性较大,首先,使用了互信息法和Cao方法确定了相关参数,并应用最大李雅普诺夫指数判别时间差时间序列的混沌特性,然后,运用小波-Elman神经网络预测方法对首车的到达时间进行了预测,结果表明,预测数据的误差均值为3.13s。研究成果为信号交叉口延误参数的提取和信号配时优化提供了可靠的数据来源。     

基于小波变换的多元时间序列相似性研究

多元时间序列由于多元性和变量间的相关性而趋于复杂.简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的Froenius加权平方范数为度量工具,提出了基于haar小波变换的多元时间序列间相似性匹配方法.实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度.     

基于小波与BP神经网络的太阳黑子时间序列分析预测

太阳黑子年平均数序列是典型的非线性、复杂时间序列.本文利用小波变换,将太阳黑子年平均数序列进行分解重构,对信号的周期特性进行分析,然后采用BP神经网络对重构信号进行预测,建立太阳黑子年平均数的预测序列.结果表明,该模型具有较高的预测精度.     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.