DBNPython预测交通流

针对短时交通流在线预测时存在的计算复杂性问题，提出了一种最小二乘支持向量机在线式短时交通流预测方法。该方法简化了在线学习过程中Lagrange乘子的求解过程，利用训练数据集滑动时间窗口的移动来控制新样

道路交通流量预测系统的设计与实现，刘剑瑛，，在本篇论文中设计并实现了路段交通流预测系统。交通流是交通控制的重要参考因素之一。对道路上交通流量变化进行详细分析，提出了

通过对影响黄金价格变动的主要因素的研究，提出一种基于小波神经网络的黄金价格预测模型。给出了具体的网络学习算法，并结合算法对黄金价格进行预测。为验证模型有效性，进行了对比测试。分析结果表明，小波神经网络

遗传算法优化BP神经网络进行交通流量预测，其预测精度明显超过了仅使用BP神经网络进行预测的情况。

论文研究-基于数学模型的短时交通流预测方法探讨.pdf,  在概述交通流预测方法发展的基础上 ,重点介绍了三种基于确定的数学模型的短时交通流量预测方法 ,并针对其中一种模型提出了与神经网络相结合的改进

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均( ARIMA) 和小波神经.网络( WNN) 组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟

为同时提升车辆的计算迁移率和边缘计算服务器的资源利用率,提出了一种基于交通流量预测的车联网边缘计算迁移方案。首先通过设计考虑任务优先级的计算迁移率和资源利用率效用函数,将问题建模为双目标优化问题;然后

为了提高BP 神经网络预测模型对混沌时间序列的预测准确性, 提出了一种基于遗传算法优化BP 神经网络 的改进混沌时间序列预测方法. 利用遗传算法优化BP 神经网络的权值和阈值, 然后训练BP 神经网络

Braess悖论在交通中的解释与交通流，很实用。

为了得到稳定有序的道路交通流, 依据离散趋近律, 设计了交通流的速度控制器. 考虑到由于匝道的流入和 流出使得交通流具有不确定性, 设计了动态扰动补偿器. 以各路段的密度为控制目标, 先通过密度函数的