CN107045785A - 一种基于灰色elm神经网络的短时交通流量预测的方法 - Google Patents

一种基于灰色elm神经网络的短时交通流量预测的方法 Download PDF

Info

Publication number
CN107045785A
CN107045785A CN201710068325.7A CN201710068325A CN107045785A CN 107045785 A CN107045785 A CN 107045785A CN 201710068325 A CN201710068325 A CN 201710068325A CN 107045785 A CN107045785 A CN 107045785A
Authority
CN
China
Prior art keywords
network
output
grey
input
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710068325.7A
Other languages
English (en)
Other versions
CN107045785B (zh
Inventor
钱伟
车凯
王瑞
黄凯征
王俊峰
刘海波
李冰锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201710068325.7A priority Critical patent/CN107045785B/zh
Publication of CN107045785A publication Critical patent/CN107045785A/zh
Application granted granted Critical
Publication of CN107045785B publication Critical patent/CN107045785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于灰色ELM神经网络的短时交通流量预测的方法，步骤：对采集到的数据进行分组，得到等维新息序列，然后进行累加，得到累加后的等维新息序列；对累加后的等维新息序列进行处理，得到网络的输入矩阵和目标输出矩阵；先随机生成网络的权值和阈值，设定好网络参数，将生成的网络的输入矩阵集和目标输出矩阵集输入神经网络，训练网络；输入测试数据，得到网络的预测输出结果；用网络预测结果减去等维新息序列的累加值，得到实际预测结果，完成预测。其有益效果是：本发明的输入数据经过了灰色模型的处理，其差异性更小，使得灰色ELM神经网络的预测精度有了很大程度的提高。

Description

一种基于灰色ELM神经网络的短时交通流量预测的方法
技术领域
本发明涉及短时交通流量预测的技术领域，特别是指一种基于灰色ELM神经网络的短时交通流量预测的方法。
背景技术
随着经济的发展，对汽车需求的不断增加，公路交通流量也随之增加，由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制***实现对路网的疏导和控制，是解决交通问题的有效途径。准确的交通流预测是交通流的疏导和控制的基础，是智能交通管理***的重要组成部分。
交通流本身具有很强的不确定性，是复杂、多变的，容易受到随机的扰动，并且规律性不明显，随着不同的预测方法的引入，对短时交通流的预测也出现了许多预测模型，但是现有的预测方法对数据波动性要求较高和易失真的特点。
发明内容
本发明为解决现有的问题，提出一种基于灰色ELM神经网络的短时交通流量预测的方法。
本发明的技术方案是这样实现的：
一种基于灰色ELM神经网络的短时交通流量预测的方法，其步骤包括：
a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为Q，则
Q＝(q1,q2,…,qm),(m∈N+) (1)
将其分为n组，每组M+1个数据，且满足
n+M＝m,(n∈N+,M∈N+) (2)
对于其中的第p(p＝1,2,…,n)组，记为：
经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为
其中
b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前M项作为ELM神经网络的输入，第M+1项作为网络的期望输出，则有
对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为
X＝[X1,X2,…,Xn] (7)
Y＝[Y1,Y2,…,Yn] (8)
设网络的实际输出矩阵T为
T＝[T1,T2,…,Tn] (9)；
c.建立ELM神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：
Wij,(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l∈N+，为隐层神经元个数，并记Wi＝(Wi1,Wi2,…,WiM)；
Bi,(i＝1,2,…,l)为隐含层第i个的节点的阈值；
β为隐含层和输出层的权值，其中βi,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；
d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：
隐层激励函数为sigmoid函数，表达式为：
当输入为Xp时，根据神经网络原理有：
隐层第i个节点的输入为
neti＝WiXp+Bi (11)
隐层第i个节点的输出为
si＝f(neti)＝f(WiXp+Bi) (12)
网络的输出层的输出为
当输入为X时，记隐含层的输出矩阵为H，有
对于输出层，则有输出方程为：
T＝Hβ (15)
网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：
其中，H+为Moore-penrose逆，
e.仿真测试，利用求解到的最优权值求得最优输出层权值下的ELM神经网络的预测输出为：
f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：
本测量方法首先对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对ELM神经网络进行训练，从而得到ELM神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。
本发明的有益效果是：ELM神经网络有着训练简单，训练速度快的特点，对交通流数据采用灰色模型累加处理，降低了交通流数据随机性，更有效减小因数据本身波动造成的误差。经仿真验证，相比于现有的一些预测方法，该方法提高了预测精度，是一种有效的短时交通流预测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为ELM神经网络的架构图；
图2为灰色模型预测结果与实际值的对比图；
图3为ELM神经网络预测结果与实际值的对比图；
图4为利用灰色模型和BP网络组合模型的预测结果与实际值的对比图；
图5为带有惯性因子的组合模型的预测结果与实际值的对比图；
图6为贝叶斯组合模型的预测结果与实际值的对比图；
图7为灰色ELM网络的预测结果与实际值的对比图；
图8为六种预测模型的预测结果综合对比图。
其中x轴为时间点，y轴为交通流量；蓝色曲线为预测交通流量，红色曲线为实际交通流量。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于灰色ELM神经网络的短时交通流量预测的方法，其步骤包括：
a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为Q，则
Q＝(q1,q2,…,qm),(m∈N+) (1)
将其分为n组，每组M+1个数据，且满足
n+M＝m,(n∈N+,M∈N+) (2)
对于其中的第p(p＝1,2,…,n)组，记为：
经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为
其中
b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前M项作为ELM神经网络的输入，第M+1项作为网络的期望输出，则有
对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为
X＝[X1,X2,…,Xn] (7)
Y＝[Y1,Y2,…,Yn] (8)
设网络的实际输出矩阵T为
T＝[T1,T2,…,Tn] (9)；
c.建立ELM神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：
Wij,(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l∈N+，为隐层神经元个数，并记Wi＝(Wi1,Wi2,…,WiM)；
Bi,(i＝1,2,…,l)为隐含层第i个的节点的阈值；
β为隐含层和输出层的权值，其中βi,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；
d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：
隐层激励函数为sigmoid函数，表达式为：
当输入为Xp时，根据神经网络原理有：
隐层第i个节点的输入为
neti＝WiXp+Bi (11)
隐层第i个节点的输出为
si＝f(neti)＝f(WiXp+Bi) (12)
网络的输出层的输出为
当输入为X时，记隐含层的输出矩阵为H，有
对于输出层，则有输出方程为：
T＝Hβ (15)
网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：
其中，H+为Moore-penrose逆，
e.仿真测试，利用求解到的最优权值求得最优输出层权值下的ELM神经网络的预测输出为：
f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：
本测量方法首先对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对ELM神经网络进行训练，从而得到ELM神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。
具体应用举例：采用焦作市普济路与人民路交叉口东西方向单向交通流量为研究对象，采集每天4点到12点的每5分钟的交通流量共96个数据，连续采集4天。前三天的数据用于网络训练，第四天的流量数据用于测试灰色ELM网络模型。
选取M＝4，则网络的输入和输出神经元个数分别是4和1，根据ELM神经网络原理，选取隐层神经元个数为单天采集的流量生成的等维新息序列的个数，为92个，则网络的模型为4-92-1；训练前，先给定权值W，并给定阈值为B＝1,隐层激励函数选用sigmoid函数，计算输出矩阵，训练网络，然后用训练好的网络进行预测。
通过图2可以看出，灰色模型在进行短时交通预测时，误差较大，且当数据本身不平稳时，预测结果往往很差，ELM神经网络通过对历史数据的训练，预测精度有了进一步提高；灰色ELM神经网络在ELM神经网络的基础上，通过对数据的累加，使得测试数据与训练数据的差异性更小，有效提高了预测精度；与其它组合模型相比，预测精度也有所提高。
通过图8对六种预测模型的对比可以看出，灰色ELM神经网络预测模型在预测精度上要远优于灰色模型和ELM神经网络预测模型，也优于现有的一些组合模型，在最大误差，平均绝对误差，平均相对误差方面都有所减小。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于灰色ELM神经网络的短时交通流量预测的方法，其特征在于：其步骤包括：
a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为Q，则
Q＝(q1,q2,…,qm),(m∈N + ) (1)
将其分为n组，每组M+1个数据，且满足
n+M＝m,(n∈N+,M∈N+) (2)
对于其中的第p(p＝1,2,…,n)组，记为：
经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为
其中
b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前M项作为ELM神经网络的输入，第M+1项作为网络的期望输出，则有
对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为
X＝[X1,X2,…,Xn] (7)
Y＝[Y1,Y2,…,Yn] (8)
设网络的实际输出矩阵T为
T＝[T1,T2,…,Tn] (9)；
c.建立ELM神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：
Wij,(i＝1,2,…,l,j＝1,2,…,M)为输入层和隐含层之间的连接权值，其中l∈N+，为隐层神经元个数，并记Wi＝(Wi1,Wi2,…,WiM)；
Bi,(i＝1,2,…,l)为隐含层第i个的节点的阈值；
β为隐含层和输出层的权值，其中βi,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；
d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：
隐层激励函数为sigmoid函数，表达式为：
当输入为Xp时，根据神经网络原理有：
隐层第i个节点的输入为
neti＝WiXp+Bi (11)
隐层第i个节点的输出为
si＝f(neti)＝f(WiXp+Bi) (12)
网络的输出层的输出为
当输入为X时，记隐含层的输出矩阵为H，有
对于输出层，则有输出方程为：
T＝Hβ (15)
网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：
其中，H+为Moore-penrose逆，
e.仿真测试，利用求解到的最优权值求得最优输出层权值下的ELM神经网络的预测输出为：
f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：
2.根据权利要求1所述的基于灰色ELM神经网络的短时交通流量预测的方法，其特征在于：对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对ELM神经网络进行训练，从而得到ELM神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。
CN201710068325.7A 2017-02-08 2017-02-08 一种基于灰色elm神经网络的短时交通流量预测的方法 Active CN107045785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710068325.7A CN107045785B (zh) 2017-02-08 2017-02-08 一种基于灰色elm神经网络的短时交通流量预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710068325.7A CN107045785B (zh) 2017-02-08 2017-02-08 一种基于灰色elm神经网络的短时交通流量预测的方法

Publications (2)

Publication Number Publication Date
CN107045785A true CN107045785A (zh) 2017-08-15
CN107045785B CN107045785B (zh) 2019-10-22

Family

ID=59544180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710068325.7A Active CN107045785B (zh) 2017-02-08 2017-02-08 一种基于灰色elm神经网络的短时交通流量预测的方法

Country Status (1)

Country Link
CN (1) CN107045785B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000640A (zh) * 2018-05-25 2018-12-14 东南大学 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法
CN109462853A (zh) * 2018-11-05 2019-03-12 武汉虹信技术服务有限责任公司 一种基于神经网络模型的网络容量预测方法
CN110210648A (zh) * 2019-04-30 2019-09-06 南京航空航天大学 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN110691396A (zh) * 2019-09-29 2020-01-14 南昌航空大学 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与***
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法
CN113112011A (zh) * 2020-01-13 2021-07-13 中移物联网有限公司 一种数据预测方法及装置
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
CN113341305A (zh) * 2021-05-12 2021-09-03 西安建筑科技大学 一种基于融合建模的模拟电路故障预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010042973A1 (en) * 2008-10-15 2010-04-22 National Ict Australia Limited Tracking the number of vehicles in a queue
CN102663224A (zh) * 2012-03-07 2012-09-12 吉首大学 基于信息熵的交通流量集成预测模型
CN102693633A (zh) * 2012-06-07 2012-09-26 浙江大学 一种短时交通流加权组合预测方法
CN103258243A (zh) * 2013-04-27 2013-08-21 杭州电子科技大学 基于灰色神经网络的爆管预测方法
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010042973A1 (en) * 2008-10-15 2010-04-22 National Ict Australia Limited Tracking the number of vehicles in a queue
CN102663224A (zh) * 2012-03-07 2012-09-12 吉首大学 基于信息熵的交通流量集成预测模型
CN102693633A (zh) * 2012-06-07 2012-09-26 浙江大学 一种短时交通流加权组合预测方法
CN103258243A (zh) * 2013-04-27 2013-08-21 杭州电子科技大学 基于灰色神经网络的爆管预测方法
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
E I VLAHOGIANNI ET AL.: "Optimized and meta-optimized neural networks for short-term traffic flow prediction: A genetic approach", 《TRANSPORTATION RESEARCH PART C》 *
WENTAO ZHU ET AL.: "Vehicle detection in driving simulation using extreme learning machine", 《NEUROCOMPUTING》 *
季雪美等: "基于ELM算法的短时交通流预测研究", 《青岛大学学报（工程技术版）》 *
钱伟等: "基于组合模型的短时交通流预测", 《计算机仿真》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000640A (zh) * 2018-05-25 2018-12-14 东南大学 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法
CN109000640B (zh) * 2018-05-25 2021-09-28 东南大学 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法
CN109462853A (zh) * 2018-11-05 2019-03-12 武汉虹信技术服务有限责任公司 一种基于神经网络模型的网络容量预测方法
CN109462853B (zh) * 2018-11-05 2022-01-14 武汉虹信技术服务有限责任公司 一种基于神经网络模型的网络容量预测方法
CN110210648A (zh) * 2019-04-30 2019-09-06 南京航空航天大学 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN110210648B (zh) * 2019-04-30 2023-05-23 南京航空航天大学 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN110691396A (zh) * 2019-09-29 2020-01-14 南昌航空大学 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与***
CN113112011A (zh) * 2020-01-13 2021-07-13 中移物联网有限公司 一种数据预测方法及装置
CN113112011B (zh) * 2020-01-13 2024-02-27 中移物联网有限公司 一种数据预测方法及装置
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法
CN113285896A (zh) * 2021-04-30 2021-08-20 南京邮电大学 基于堆栈式elm的时变信道预测方法
CN113341305A (zh) * 2021-05-12 2021-09-03 西安建筑科技大学 一种基于融合建模的模拟电路故障预测方法

Also Published As

Publication number Publication date
CN107045785B (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN107045785B (zh) 一种基于灰色elm神经网络的短时交通流量预测的方法
Chen et al. Predicting station level demand in a bike‐sharing system using recurrent neural networks
Li et al. Prediction for tourism flow based on LSTM neural network
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Guan et al. Cumulative prospect theory based dynamic pricing for shared mobility on demand services
CN108830430A (zh) 用于交通流量预测的卷积神经网络多点回归预测模型
Yuan et al. Parameter identification of nonlinear Muskingum model with backtracking search algorithm
Xu et al. A modified water cycle algorithm for long-term multi-reservoir optimization
CN106448151A (zh) 一种短时交通流预测方法
Liu et al. A hybrid short-term traffic flow forecasting method based on neural networks combined with K-nearest neighbor
CN106789214A (zh) 一种基于正余双弦算法的网络态势感知方法及装置
CN108280998A (zh) 基于历史数据动态选择的短时交通流预测方法
CN104217258A (zh) 一种电力负荷条件密度预测方法
Donyaii et al. Water reservoir multiobjective optimal operation using Grey Wolf optimizer
Liu et al. A method for short-term traffic flow forecasting based on GCN-LSTM
Tian et al. A network traffic hybrid prediction model optimized by improved harmony search algorithm
Chen et al. CRML: A convolution regression model with machine learning for hydrology forecasting
Dong et al. Uncertainty-based multi-objective decision making with hierarchical reliability analysis under water resources and environmental constraints
Tagliaferri et al. A real-time strategy-decision program for sailing yacht races
Xiaojian et al. A traffic flow forecasting model based on BP neural network
Cao et al. Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM
Gao et al. Method of Predicting Passenger Flow in Scenic Areas Considering Multisource Traffic Data.
Gilmore et al. A neural networks system for traffic congestion forecasting
CN114528992A (zh) 一种基于区块链的电子商务业务分析模型的训练方法
Klamkin et al. Active bucketized learning for ACOPF optimization proxies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant