粒子群优化神经网络的交通事件检测算法研究

为减少交通事件引起的交通延误,提出一种基于粒子群优化神经网络的交通事件检测算法。首先,利用车载激光测距仪和GPS设备作为实验平台,采集了反映路段车辆占有率及车辆运行速度特征的交通参数;其次,利用粒子群（PSO）算法训练随机产生的初始化数据,优化BP神经网络连接权值和阈值;最后,将PSO优化后的BP神经网络作为分类器进行交通事件的自动分类和检测。试验中比较了PSO神经网络算法、BP神经网络算法和经典算法对交通事件的检测效果,PSO神经网络算法在事件检测率(DR)、平均检测时间（MTTD）方面均优于其他目标算法。结果显示,粒子群优化的神经网络算法用于交通事件检测提高了检测性能。     

需求可分的车辆路径问题模型与算法

需求可分的车辆路径问题(SDVRP)无论是从运输距离还是派车数量上,都可进一步优化传统的车辆路径问题。为了降低SDVRP的求解难度,本文在分析最优解性质的基础上,加强模型的约束条件,将原模型转变为等价的改进SDVRP,并在使用蚂蚁算法求解改进SDVRP模型的过程中,采用开发新路径和2-opt相结合的方法,以避免出现迭代停滞的现象。实验表明,算法计算结果稳定,最差解与最好解的偏差仅为1.80%。     

卖空限制下知情交易的测度及识别研究

经典的测量知情交易概率的模型默认交易者可以无限制的按照私有信息进行卖空交易,而目前我国股票市场存在卖空限制,直接将经典模型应用到我国股票市场时会使测量结果出现偏差。考虑到我国股票市场现状,本文在经典的知情交易概率模型中引入两个卖空限制参数,构建了本文的SC-TPIN模型。通过对融券标的中发生利空消息的股票样本进行实证分析,证实了本文构建的SC-TPIN模型估计出的结果与实际情况相符合。本文还以SC-TPIN模型估计出的SCTPIN值为参照,基于样本股票的低频数据构建了知情交易识别指标组,并使用数据挖掘中的支持向量机算法、KNN算法及Logit模型对黑白样本的知情交易高低情况进行识别比较,构建知情交易识别体系,发现使用支持向量机算法识别全样本的正确率达到了89%,识别效果较理想。