基于粒子群的模糊神经网络的短时交通流量组合预测

为了进一步提高短时交通流量预测的精度,提出了一种粒子群算法的模糊神经网络组合预测模型,模糊神经网络融合了神经网络的学习机制和模糊系统的语言推理能力等优点,弥补各自不足,将自回归求和滑动平均(ARIMA)和灰色Verhulst模型进行初步预测,并将两种初步预测的结果作为模糊神经网络的输入,构建基于改进模神经网络的组合预测模型,在此基础上进行训练和预测,其中模糊神经网络的相关参数由改进粒子群来优化,利用本方法来对南京市汉中路短时交通流量进行预测,结论表明:方法充分发挥了单一模型的优势,比单一的预测模型更加精确,是短时交通流量预测的一个有效方法。     

基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.     

基于ARIMA和BP神经网络组合模型的能源消费预测

在单一的ARIMA模型预测的基础上,提出了一种基于ARIMA模型和BP神经网络组合模型,并以广西区1981至2016年的能源消费数据为例,结果表明组合模型的预测精度要优于单一的模型,故利用组合模型对广西区未来能源消费的预测更加有效.     

耦合AF-SVR的短时交通流量预测模型

交通流量预测是城市智能交通系统的重要研究内容之一,是缓解城市拥堵、实现智能交通管理和建设智慧城市的前提,基于短时交通流量的复杂性及非线性等特点,提出耦合AF-SVR的短时交通流量预测模型.模型结合了鱼群算法较好的并行搜索性能和支持向量回归机较好的非线性拟合能力,利用该模型对短时交通流量数据进行仿真实验,结果表明:模型较BP神经网络预测模型具有较高的预测精度,是短时交通流预测的一种有效方法.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用

对我国粮食产量预测工作作出了重大贡献.通过线性规律和非线性规律的区分,构建了自回归移动平均(ARIMA)和BP人工神经网络的组合预测模型,结论显示:ARIMA和BP算法能够各自对粮食产量序列中的线性和非线性规律实现充分挖掘,拟合精度几乎达到完美的程度,克服了以往单一预测和组合预测中信息挖掘能力不足的缺陷.     

基于ARIMA模型的中国天然气消费量预测与分析

天然气作为一种清洁能源,对优化能源消费结构、发展低碳经济起着重要作用.对我国天然气消费量进行预测,有助于制定天然气行业的产业政策,促进其健康有序的发展.利用ARIMA(1,1,5)模型对我国天然气消费进行了预测,结果表明天然气消费增速将近一步加大,到2015天然气消费量将是2012年的近两倍,对外依存度将达到40%.建议应该加快非常规天然气的开发,加快天然气基础设施建设,尽快完成天然气价格形成机制改革,控制天然气消费的无序增长.     

改进的灰色模型及在短时交通流中的应用

基于城市道路交通流按日周期变化的数据特征,提出一种可自动选择步长的灰色模型算法.将其应用到美国Minnesota的两个道路交通流的预测,并和传统灰色模型、历史平均法以及滑动平均法对比.数值实验结果表明:改进的灰色模型能够大幅降低预测绝对误差,预测精度高,稳定性好,适用于城市道路短时交通流的实时预测.     

交通流灰色RBF网络非线性组合预测方法

针对智能交通系统的开发,提出一种基于灰色GM(1,1)模型和RBF网络非线性组合的短时交通流预测方法.该方法采用三层结构的RBF网络将两种单一预测方法(灰色GM(1,1)模型和RBF网络)进行了非线性组合.利用实测数据对组合方法进行了仿真实验,结果表明:非线性组合模型的预测准确性高于单独的RBF网络预测的准确性;组合模型发挥了两种单一方法各自的优势,是短时交通流预测的有效方法.     

ARIMA模型在医院季节性时序资料预测中的应用

通过分析医院时间序列资料的变动规律，本文找出了其共同的特点（如趋势增长或下降季节变化）和共性中的特点（高峰值的不同周期）。由于时间序列是由： Ｘ（ｔ） ＝Ｔ（ｔ）＋Ｓ（ｔ） ＋ｅ（ｔ）的成分构成，具有较明显的周期变化、增减趋势和季节波动，故医院季节性时间序列资料大都为非平稳时间序列，本文给出平稳化的步骤。预测具体方法和结果。     

城市道路交通信号实时优化控制

通过分析实际道路交通状况,在合理假设的基础上,建立了孤立十字、丁字交叉路口、三个交叉路口线状区域以及六个交叉路口网络状区域的交通信号实时配时数学模型,利用Matlab产生满足泊松分布的车流量实时序列,按照优化目标进行了算法的设计和编程,得到了相应的数值结果,并对优化结果进行了讨论.     

城市道路交通信号实时控制问题的评述

对2008年全国研究生数学建模竞赛B题"城市道路交通信号实时控制问题"的命题背景,问题要求,建模方法,模型算法,结果分析,模型应用、模型评价等相关问题进行了分析和评述.结果表明,该问题的选择具有重要理论和实际应用价值,对研究生创新能力的培养具有重要作用.     

具有时滞和周期特征的短时交通流灰建模及其应用

针对短时交通流的延迟性、随机性和周期性特征,采用灰关联分析和分数阶累加生成方法建立了带时滞和周期特征的分数阶累加灰色新模型.针对短时交通流的延迟性,将短时交通流数据拆分成参考时间序列和对应的比较时间序列,进行关联度分析,得到计算时滞值的方法.针对短时交通流的随机性和周期性,利用分数阶累加生成方法,并引入tan(kp)为发展系数,sin(kp)为输入变量,建立了短时交通流的分数阶GM(1,1|tan(kp),sin(kp))模型,给出了模型参数的最小二乘估计和周期性参数与分数阶阶数的优化求解算法.最后将模型应用于长沙市芙蓉区某交叉路口的交通流建模及预测中,并与常规的五种模型进行了对比分析,结果表明,模型能较为准确地反映交通流的实际情况,且有较高的预测精度和较为稳定的结果.     

短时交通流混沌预测模型的比较研究

短时交通流预测是实现交通流诱导的关键技术之一.针对目前短时交通混沌预测模型预测结果差异较大的问题,归纳了4种基于混沌理论的短时交通流预测模型:RBF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究.应用4种预测模型对几个典型的非线性系统进行预测,验证了算法的准确性.然后用这4种预测模型对微观实测交通流的时间序列进行实证分析.仿真结果表明,4种预测模型对典型混沌时间序列具有很好的预测效果;而对实测交通流预测,其预测精度和稳定性较差,但可以满足实时交通流预测的需要.     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

Short-Term Prediction of the Sea State Dynamics

Forecasting of the sea level plays a key role to control on- and offshore facilities. First, we start with a determinstic time series method based on the state space embedding to determine the vector field of the nonlinear dynamical system and deduce the solution of its corresponding high-order differential equation. Second, We assume that the sea state is a stochastic process governed by a deterministic part and by noise so that this dynamical system can be modelled by the Langevin equation. We extract the nonlinear dynamical system considering fluctuations directly from a measured time series by estimating the drift vector and the diffusion matrix of the Fokker-Planck equation. In order to determine the prediction accuracy, the numerical solutions of the deterministic model and the Langevin equation are compared to the data values at future time. (© 2011 Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim)     

Urban Traffic Simulation

Journal of the Operational Research Society -