基于自适应GA_Elman神经网络的短时交通预测

为了提高短时交通流量的预测精度和针对Elman神经网络容易陷入局部最小值的缺点,采用了自适应GA_Elman神经网络模型。通过对比Elman神经网络不同隐含层数模型的预测误差,选用最佳层数;通过输入的样本数自动选取隐含层的节点数来实现隐含节点的自适应,通过遗传算法优化模型的权值和阈值,从而获得最佳的预测模型。通过实例分析,与Elman神经网络、GA_Elman模型进行对比,表明模型具有更好的预测效果。

基于自适应Elman神经网络的短期风电功率预测

针对BP神经网络动态性能的不足、适应性较差的问题,提出了基于自适应Elman神经网络的短期风电功率预测模型。通过对比不同隐含层数的Elman预测模型的预测误差,选取最小误差的隐含层数作为自适应Elman预测模型的隐含层数;根据不同的训练集和预测集的输入,自动调节Elman隐含层节点数,实现隐含层节点数的自适应,寻求具有最佳隐含层节点数的预测模型,提高了风电功率预测精度。