交通流量VNNTF神经网络模型多步预测研究
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.本文给出了交通流量Volterra泛函级数模型截断阶数和项数的方法，设计了VNNTF网络模型，提出了一种基于混沌理论的交通流量VNNTF神经网络快速学习算法，并对交通流量混沌时间序列进行了多步预测.该方法结合了Volterra级数精确建模和ANN神经网络学习训练的优点，并且在模型选取、算法设计两个方面，都考虑了交通流量的混沌特性，具有一定的理论价值.实验仿真表明，该方法可以减少交通流量预测值和真实值的方均根，提高交通流量预测的精度，对混沌时间序列的预测可以取到很好的预测效果.
交通流量 混沌时间序列 多步预测 神经网络 快速学习法
殷礼胜 何怡刚 董学平 鲁照权
合肥工业大学电气与自动化工程学院 合肥 230009
国内会议
呼和浩特
中文
2066-2072
2013-08-01（万方平台首次上网日期，不代表论文的发表时间）