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。     

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.     

基于自适应延时神经网络的短时交通流预测

为了提高交通流诱导系统的性能,研究了一种基于自适应延时神经网络算法的短时交通流量预测模型,该算法与传统的神经网络方法相比在神经网络的结构和神经网络的训练方法两个方面进行了改进,更适用于预测具有不确定性、非线性、动态性等特征的短时交通流,同时用Matlab7.0编写程序对算法进行了仿真实现,根据仿真结果的分析验证了算法时实性和精确性.     

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.     

高速公路交通事件影响范围的模糊预测

高速公路交通事件的影响范围预测主要包括两个方面:排队长度预测和延误预测.在对排队长度和延误进行实时预测时,需精确预测出事件发生期间的交通流量和通行能力、事件持续时间及车辆到达事件点的时间等参数,而事实上,用于确定这些参数的信息是非常复杂的,得到的这些参数值是模糊的,但是其变化范围是可以精确确定的.充分考虑上述参数的模糊特性,及事件发生期间的交通流量和通行能力的模糊关系,运用α截集表示了车辆到达离去曲线,建立了交通事件排队长度模糊预测模型和延误模糊预测模型.利用2001年6月16日发生在美国210-E高速公路的交通事件验证了该模型的可行性,并分析了事件发生期间交通流量和通行能力及事件持续时间的模糊度变化对排队长度和延误预测结果的影响.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

洪涝灾害的超概率评估与伯努利预测模型研究

科学选取灾情评价指标,构造基于组合权重的洪涝灾情指数序列,利用样本的模糊信息,通过集值化的模糊数学处理,建立灾情指数的超概率评估模型。同时,采用粒子群算法以及两阶段寻优方法求解模型中的参数r,以构造基于粒子群的灾情指数与灾变年的非线性伯努利预测模型,并将预测模型运用于广西洪涝灾情指数和灾变年预测中.结果表明,广西发生中灾以上洪涝灾害年份的超越概率是0.3175.从2013年起五年内,发生中灾以上年份是2014年和2017年,与实际灾情拟合较好;此外,将构造的伯努利模型与GM(1,1)模型和Verhulst模型进行对比分析后发现,非线性伯努利模型更适合做洪涝灾情指数预测和灾变年预测.     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

基于一种新的分解-集成模型的我国猪肉年度需求量预测研究

根据我国猪肉消费量的特点,建立了一个新的我国猪肉年度消费需求量预测的分解-集成模型.首先,为了预测我国猪肉消费需求量,根据全国猪肉农村和城市猪肉消费量的不同特点,将我国猪肉消费需求量分解农村和城市猪肉消费量.其次,根据GANN和WNN时间序列模型,建立了一个综合集成预测模型,分别对我国农村和城市的猪肉消费量进行了预测.最后,将农村和城市猪肉需求量的预测结果进行集成,得到全国猪肉需求量.为了验证所提出方法的有效性,将其与其他常用预测方法进行了对比,实证研究结果表明,提出的集成预测模型在我国全国猪肉消费需求量预测上取得了较好的效果.     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.