分布交通流预测计算

针对交通流短期预测未考虑交通检测器配置的不足，提出了一种基于检测器优化选择的短时交通流预测算法。以预测的均方误差最小为目标函数，通过遗传算法优化选择合适的检测器，以小波神经网络作为预测算法进行短时交通

在短时交通流预测中，传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制，这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度，将在传统PSO优化BP神经

本文研究了多点数据融合在交通流预测中的应用。本文将数据融合理论应用在相空间的滤波交通流预测模型中，并对实际数据进行仿真验证，将单点数据相空间的滤波预测模型和多点数据融合的相空间滤波预测模型进行性能对比

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