交通流量VNNTF神经网络模型多步预测研究

被引：21

作者：

殷礼胜

何怡刚

董学平

鲁照权

机构：

[1] 合肥工业大学电气与自动化工程学院

来源：

自动化学报 | 2014年 / 40卷 / 09期

基金：

国家杰出青年科学基金; 中国博士后科学基金;

关键词：

相空间重构; 泛函级数; 多步预测; VNN神经网络; 算法; 混沌;

D O I：

暂无

中图分类号：

U491.1 [交通调查与规划]; TP183 [人工神经网络与计算];

学科分类号：

082303 [交通运输规划与管理]; 140502 [人工智能];

摘要：

研究了VNNTF神经网络(Volterra neural network traffic flow model,VNNTF)交通流量混沌时间序列多步预测问题.通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra离散模型之间的关系,给出了确定交通流量Volterra级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;设计了交通流量Volterra神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF网络模型,Volterra预测滤波器和BP网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF神经网络的多步预测性能明显优于Volterra预测滤波器和BP神经网络.

引用

页码：2066 / 2072

页数：7

共 6 条

[1]

量子门Elman神经网络及其梯度扩展的量子反向传播学习算法[J] 李鹏华;柴毅;熊庆宇; 自动化学报 2013, 09

[2]

基于多信号源的神经模糊Hammerstein-Wiener模型研究[J] 贾立;杨爱华;邱铭森; 自动化学报 2013, 05

[3]

基于确定学习的机器人任务空间自适应神经网络控制 [J].