交通流量VNNTF神经网络模型多步预测研究

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。

关键词：相空间重构、泛函级数、多步预测、VNN 神经网络、算法、混沌引用格式、殷礼胜、何怡刚、董学平、鲁照权. 交通流量VNNTF 神经网络模型多步预测研究. 自动化学报、2014、40(9)：2066-2072

分类号：TG3;TD3

资助基金：国家杰出青年科学基金50925727;教育部科学技术研究重大项目313018;安徽省高校自然科学基金重点项目KJ2012A219;中国博士后科学基金2013M541823资助Supported by National Natural Science Funds of China for Distin-guished Young Scholar50925727;Key Grant Project of Chinese Ministry of Education313018;Natural Science Foundation of Univ

在线出版日期：2014-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2067-2073