基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.

基于自适应模糊神经网络的交通流状态预测

研究交通流状态的分类、识别与预测,建立了基于模糊聚类及模式识别的交通流状态自适应模糊神经推理系统。对大量交通流历史特征数据采用模糊聚类法进行状态分类并进行模式识别,得到系统的原始输入输出数据集。建立交通流状态预测的自适应模糊神经系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内,并进行系统检测和复核。仿真及其检测和复核结果表明系统预测的准确率在95%以上。

应用支持向量机的交通流状态预测方法研究

支持向量机(support vector machine,SVM)是近年来出现的立足于统计学习理论(statistical learning theory,SLT)的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性.为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测.实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度(本文中实例精度高于95%),应用前景广泛.

一种交通流状态智能推理系统

设计一种基于模糊聚类及模式识别的交通流状态自适应神经模糊推理系统,用来研究交通流状态的分类、识别及预测。首先,对大量交通流历史特征数据采用模糊聚类的方法进行状态分类并进行模式识别,得到系统的原始输入输出数据集。然后,建立交通流状态预测的自适应神经模糊系统,以交通流特征数据及其识别结果为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内。最后,进行系统检测和复核。仿真及其检测和复核结果表明了系统良好的应用性能。