基于灰色RBF神经网络组合模型的交通量预测研究
基于RBF神经网络的交通流预测
局部极小的缺点． 实例仿 真研 究表 明， 该方法预 测效果较好 ．
关键词 ： 交通流 ； Ｂ Ｒ Ｆ神经 网络 ； 预测模型 ； 高斯核 函数 中图分类号 ： Ｐ ８ Ｔ １ 文献标 识码 ： Ａ 文章编号 ： ６ １０ ４ ２ ６ ０ —０ １０ １７ －２ Ｘ（０ ） ２０ ７ － ３
Ｃ ｎｒｌ ｃ ｎｅａｄＥ ｇｎｅ ｎ ， ｈ ｎｏｇＵ ｉ ｒｔ， ｉ ｎ２ ０ ６ ， ｈｎ ） ｏ ｔ ｉ ｃ ｎ ｎｉｅｒ ｇ Ｓ ａｄｎ ｎｖｓ ｙ Ｊ ａ ５ １ Ｃ ｉａ ｏＳ ｅ ｉ ｅｉ ｎ
Ａｂ ｔ ａ ｔ ｎ ｔ ｅｌ ｈ ｆ ｈ ｒ ｂ ｅ ｆ ｈ ｔ ｈ ａｆ ｄ ｌ ｓａｎ ｎｉ ｅ ｒ ｎ ｅ ｔｉ ｃ ｍｐ ｅ ｙ ａ ｃｓ ｓｅ ａ ｄ ｈ ｒ ｓｒ ｃ ：Ｉ ｈ ｉ ｔ ｅ ｐ ｏ ｌｍｓｏ ａ ｔ ｅｔ ｆ ｃ ｍｏ ｅ ｏ ｌ ａ ，ｕ ｃ ｒ ｎ， ｏ ｌｘｄ ｎ ｍｉ ｙ ｔｍ ｎ ａｄ ｇ ｏｔ ｔ ｒｉ ｉ ｎ ａ
ｔ ｅ ｄ ｓｒ ｅ ｏ ｌｔｌ ｈ ｒｆｃ ｆ ｗ ｆｒｃｓｉｇｍｏ ｅ ｓｓ ｃ ｅｓｕｌ ｏ ｓ ｕ ｔｄ ｂ ｓｎ ＢＦ ｎ ｕ ａ ｏｂ ｅｃｉ ｄｃ ｍｐｅｅｙ，ｔｅｔａｑ ｏ ｏｅａ ｔ ｄ ｌｉ ｕ ｃｓｆｌ ｃ ｎ ｔ ｃｅ ｙ ｕｉｇ Ｒ ｅ ｒｌ ｂ ｉ ｌ ｎ ｙ ｒ
难以用精确的数学模 型来表达， 它受多种因素如道路、
驾驶员行为等多方面 的影响， 呈现 出交通流模式 的多 态性． 目 从 前来看 ， 要保证驾驶员在道路上安全畅通行
驶， 对车流量 的预测是必不可少的． 道路交通流预测对
基于数据修正的改进型灰色-RBF网络预测
第 )期
严修红， 等： 基于数据修正的改进型灰色 9 $%& 网 络预测!
"6"
对未 来几 年预 测 的参 考 价 值不 大 ， 反 而 会 降 低预 测 结果 的准 确性 和 可信 性 ! 因 此 我们 必 须 考 虑 实际 情 况， 查 找出 失 真 （不 合 理 ） 数 据 并 对 其 进 行 修 正， 从 而 准确 合理的 预测 ! !! " 失真数 据的 查找 "）检 验历 史 各 数 据 是 否 比 前 后年 份 的 数 据 都 大 （ 或小） ， 从而判断出该数据是否处于波峰 （或 波 谷） ， 从而 把 处 于 波 峰 或 波 谷 的 数 据 认 为 是 第 一 种 类 型的 失真数 据 ! 它 的输 #）建 立一 个单 输入 单输出 的 $%& 网 络， 入 输出 分别为 年份 和相 应年 份的 数据 ! ’）利用 归一化 后的 历史 数据 （将 上 述得 到 的第 一种 类型 的失 真数 据排 除 在外 ） 对 $%& 网 络 进 行训 练! (）将 历史 数 据 中 各 年 份 作 为 输入 变 量 输 入 到 已经 完成 训练 的 $%& 网络 ， 这 样就 可 以得 到 一 组对 应的 输出 值， 然后 再 把这 组 输 出值 分 别 与 相 应各 年 份 的 实际 值 进 行 比 较， 误 差 超 过 ) * 的 即 可 认为 该 年份 的数 据为 失 真数 据 ， 这 是 第二 种 类 型 的 失真 数 据! !! # 失真数 据的 修正 将 上述查 出 的 所 有 失 真 数 据 年 份 作 为 输 入 变 量输 入到 已经 完成 训练 的 $%& 网 络， 这样 得 到 的网 络 输出 就可以 作为 该年 份数 据修 正值 !
基于灰色系统理论的RBF神经网络铁路货运量预测
均预测误差 为 １４ ％ ， ．７ 因此认 为基于灰色 系统理论 的 Ｒ Ｆ神经 网络 的铁路货运量预测方法有效可行 。 Ｂ ［ 关键词 】 铁路货运 量； 灰色关联 ； Ｂ Ｒ Ｆ神经网络 ； 预测
［ 中图分类号 ］ ２ ４ １ Ｕ ９ ．３
［ 文献标志码 ］ Ａ
［ 文章编号］ ０８４ ３ （０ ２ ０ －０ ８０ １０ －６ ０ ２ １ ） ３０ ３ － ４
到 了广 泛应 用 ， 但其 权 值 的 调 节采 用 的是 负 梯 度
笔 者 以我 国 １９ ２０ ９２— ０８年 共 ｌ 的铁 路 货 ７年 运 量及其 影 响因素数 据作 为分 析对 象 … 。其 中铁 路 货运 量 的影 响 因素 由 国 内生 产 总 值 、 业 增 加 工 值 、 国煤 炭产量 、 国钢铁 产 量 、 国原 油产 量 、 全 全 全 全 国粮 食 产量 、 国铁路货 车 拥有 量 、 国铁路 营 全 全 业里程 、 路货运 量 份额这 ９个元 素组 成 ， 别用 铁 分
关 联性 ， 出主要 的影响 因素 。 找 ２ １ 确定 参考数 列和 比较 数列 ．
确定 、 时变系统预测上的不足 ， 使预测趋 于准确 。
鉴 于此 ， 将神 经 网络 预测 方 法 适 用 于 铁 路 货运 量 预测 。在人 工神 经 网络 中 ，Ｐ网络 因 自身优 点 得 Ｂ
Ｌ Ｂ软 件， 立铁路 货运量 的 Ｒ Ｆ神经 网络预 测模 型， 我国 １９ Ａ 建 Ｂ 对 ９２—２０ ０ ８年 的铁路货 运量进 行仿 真实验 。
结 果 表 明基 于灰 色 系 统 理 论 的 Ｒ Ｆ神 经 网 络模 型预 测平 均 相 对 误 差 为 ０４ ％ ， Ｂ ．４ 常规 Ｒ Ｆ神 经 网络 模 型 的平 Ｂ
交通量的灰色神经网络预测方法
3、训练和测试
利用历史数据对灰色神经网络模型进行训练，然后使用测试数据进行验证。 通过比较实际值和预测值，评估模型的预测精度和稳定性。如果模型的预测效果 不理想，可以对模型进行调整和优化，以提高预测能力。
四、实验结果与分析
本次演示选取某只股票的历史数据作为实验数据，分别采用传统的线性回归 方法和基于灰色神经网络的股指预测方法进行比较。实验结果表明，基于灰色神 经网络的股指预测方法具有更高的预测准确性和稳定性。与传统的线性回归方法 相比，该方法能够更好地捕捉股市的复杂性和不确定性，提供更准确的股指预测 结果。
五、结论与展望
本次演示提出了一种基于灰色神经网络的股指预测方法，通过结合灰色系统 理论和神经网络算法，提高了预测的准确性和稳定性。实验结果表明，该方法在 股指预测方面具有显著优势。未来研究方向可以包括进一步优化模型参数、引入 更多特征信息以及拓展到其他金融市场的预测问题中。
参考内容二
基本内容
交通量的灰色神经网络预测方 法
基本内容
随着城市化进程的加速，交通拥堵成为了全球城市面临的共同问题。交通量 的预测对于缓解交通拥堵、提高交通系统效率等问题具有重要意义。本次演示将 探讨交通量的灰色神经网络预测方法，旨在为交通规划和管理提供科学依据。
在目前的交通量预测研究中，常用的方法包括回归分析、神经网络、时间序 列分析等。这些方法在不同程度上均存在一定的优缺点，如对数据要求较高、预 测精度不理想等。因此，寻找一种更加准确、可靠的交通量预测方法显得尤为重 要。
参考内容
一、引言
股指预测是金融市场分析的重要内容之一，对于投资者、金融机构和政策制 定者都具有重要意义。然而，由于股市的复杂性和不确定性，传统的预测方法往 往难以准确预测股指的走势。因此，本次演示提出了一种基于灰色神经网络的股 指预测方法，以提高预测的准确性和稳定性。
灰色神经网络在交叉口车流量预测中的应用
加． 近些年来 全国各地都加强 了交通基础 设施 和智能 运输 系统 的建设 ．交通流量 的预测是公 路项 目立 项 ． 规划和设计 建设 的重要依 据 ． 也是交 通规划 和交 通诱
导 的前 提 和关 键 交 通 流 量 预 测 按 照 时 间 跨 度 可 以分
１道 路 交 叉 口模 型 与 结 构
两种预测方 法的优点 ． 提 出 一 种 基 于灰 色 神 经 网 络 模
知 的信 息 ， 建立 Ｇ Ｍ（ １ ， １ ） 模 型 。它是 以原始数据 序列
为 基础 建 立 的 微 分 方 程 。 灰 色 理 论 是 将 无 规 律 的原 始
作者简 介 ： 郑悦 （ １ ９ ８ ８ － ） ， 硕士 ， 研 究 方 向 为 智 能 交 通 控
ｑ （ ｋ ＋ １ ） ＝ ｑ （ ｋ ） ＋ ｌ ｆ ｑ ＋ １ ） ， ｑ ＋ １ ） ， ｑ ３ ＠＋ １ ） ） 其中， ， 『 ・ ） 为一 非线性 函数 。同理 ， 可 以得 到北 出
口、 东 出 口以及 西 出 口的交 通 流量 关 系式 。 由 于交 通 系 统 是 一 个 非 常 复 杂 的大 系统 ． 具 有 高 度 的动态 时变性 、 不 确定性 和非线 性 ， 很 难 构 精 确 的 表达 式 ， 为此 ， 提 出 了 一 种 短 时 交 通 流 量 智 能 组 合 预
图１ 为 城 市 路 网 中典 型 的 独立 交 叉 口的 交 通 流 示
意图。其 中， ｑ ｌ ㈣、 ｑ ２ （ ｋ ） 、 ｑ ３ （ Ｉ ｊ ｝ ） 、 ｑ ） 分别为东进 口左转车
流、 北 进 口直 行 车 流 、 西 进 口右 车 流 转 以及 南 出 口车
为长期交 通流量预测和短期 交通流量 预测 ． 按 预 测 对
基于灰色模型与人工神经网络的改进组合预测模型及其应用研究
基于灰色模型与人工神经网络的改进组合预测模型及其应用研究一、本文概述随着科技的发展和大数据时代的到来，预测模型在各个领域的应用越来越广泛。
然而，单一的预测模型往往难以应对复杂多变的数据环境，因此，组合预测模型成为了研究的热点。
本文旨在研究并改进基于灰色模型与人工神经网络的组合预测模型，以提高预测精度和适应性。
本文将详细介绍灰色模型和人工神经网络的基本原理和优缺点。
灰色模型是一种基于灰色系统理论的预测方法，适用于数据量少、信息不完全的情况，但其对非线性数据的处理能力有限。
人工神经网络则是一种模拟人脑神经元结构的计算模型，具有强大的非线性映射能力和自学习能力，但也可能出现过拟合、陷入局部最优等问题。
在此基础上，本文将探索如何将灰色模型和人工神经网络进行有机结合，形成改进的组合预测模型。
具体的研究内容包括但不限于：模型的构建方法、参数的优化策略、模型的训练和测试流程等。
本文将通过实证研究，对所提出的改进组合预测模型进行性能评估和应用研究。
研究将涵盖多个领域的数据集，包括经济、社会、环境等，以验证模型的预测精度和稳定性。
也将对模型的应用前景进行展望，以期为相关领域的研究和实践提供参考和借鉴。
二、灰色模型与人工神经网络的融合机制灰色模型（Grey Model，简称GM）与人工神经网络（Artificial Neural Network，简称ANN）的融合机制，主要基于两者的互补性。
灰色模型擅长处理数据量少、信息不完全的问题，它通过累加生成序列来挖掘数据的内在规律，对于短期和中期预测具有较好的效果。
而人工神经网络则以其强大的自学习、自组织和自适应能力，擅长处理复杂的非线性问题，尤其对于大量数据的长期预测具有较高的准确性。
融合灰色模型和人工神经网络，可以构建一种改进的组合预测模型。
利用灰色模型对原始数据进行预处理，提取数据的内在规律，生成预测序列。
然后，将处理后的数据作为输入，通过人工神经网络进行学习和训练，建立预测模型。
基于灰色小波神经网络的船舶交通流预测研究
作者简介 ： 曲径 （９ ９一）， ， 津人 ， 究方 向 ： １８ 女 天 研 交通 运输 管理。
ｚ ｏ
＇
（ ）Ｊ ：
口 ｕ
Ｌ： 。
根据以上求解 ， 可得到白化方程（ ）的解为 １
（ ） 一 １
ｘ —ｂ ＋（ ６５） ｉ ｘ 口一 戈’ｅ
。
统的精度及其鲁棒性。 １ １ 灰色 Ｖ ｒｕｓ 模型 ． ｅ ｌ ｈ ｔ
灰色 系统 理论 是 由我 国邓 聚龙 教 授 在 １８ ９２年
一
Ｂ ＝
』 （” 】 ） ）
，
。 ’
Ｙ＝
一
创立的， 其研究对象主要为“ 部分信息 已知 ， 部分信 息未知 ” 小样本” “ 的“ 、 贫信息” 不确定性系统 ， 而灰 色 系统 理论 中的 Ｖ ｒｕｓ预测 模型 主要 用来描 述具 ｅｈｌ ｔ
一
测存在复杂性与非线性 的特点 ， 将灰 色 Ｖ ｒ ｌ 模 ｅ ｕｔ ｈｓ 型 的预测结果 与船舶 交通 流各影 响 因素作 为小波 神
经 网络 的输入 ， 构建 一 种新 的基 于 灰 色 小 波神 经 网 络 的船 舶交通 流组 合预 测 模 型 ， 以提 高 整个 预 测 系
’ （ ” 名） ｉ
基于灰色小波神经网络的船舶交通流预测研究 曲径
３ ３
基 于灰 色 小 波 神 经 网络 的船 舶 交 通 流 预测 研究
曲径
（ 武汉理 工 大学 交通 学 院 湖北 武汉 ４０ ６ ） ３０ ３
摘
要 ： 船舶交通流预测的准确性和可靠性 已成为制约港 口经济科学发展的瓶颈因素。
文章综合利用小波变换的局部化性质与神经网络的 自学习能力， 并引入灰 色模型以反映船舶 交通 流的发展 趋 势 ， 得 小波神 经网络在 灰 色模 型预 测 结果 的 基础 上 结 合船 舶 交 通流 的影 响 使 因素再预 测 ， 构成基 于灰 色小波神 经 网络 的船舶 交通 流组合预 测模 型 。 实验 结果表 明， 色小 灰
基于灰色理论与神经网络组合预测模型在交通事故分析预测中的应用
（）建立 灰 色预 测 的离散 时 间响应 函数 ： ４
残 序列 ０ 均 方 别为： ＿ ∑ 差 ） 值和 差分 的 ＿
５ ∑ （ －ｚ则称ｃ 为 ｔ ］ ） 。 一 ＝ 后验差比 称 值，
ｐ ｛ ｌ ．４Ｓ 为小误差概率。显然， 越 ＝Ｉ ） ＜ ６ ５－ 占 一 ０７ ｝ ｃ
一
般 要求 Ａ＜ ０ ２％，最 好是 Ａ＜ Ｏ ｌ％。当检 验不 通过 ， （） 关联 度检 验 ２ 设 原 始 道 路 交 通 事 故 序列 为 Ｏ＝ （） ） ２， …
说明该数列不适合用灰色预测方法。
设给定原始时间序列 （有 ｎ 观测值 ， ｔ ） 个 （＝ （） （）… ， （ ，Ｇ （， １ 型 ｆ １， ２， ） Ｍ １ ）模 ）
测模 型精 度划 分 为 四个 等级 ，如 表 １ 示 。 所
表 １ 精度 等级检验表
２２ Ｇ （，１ 型 的检验 ． Ｍ １ ）模
（）残差 检验 １
模型建立后 ，一般需要对其进行残差检验 ，看
模 型 曲 线 与 实 际 值 拟 合 程 度 ，通 过计 算 相 对误 差 ， 以残 差 的大小 来判 断模 型 的好坏 。
度 ，或 进行 到预先设 定 的学 习次数 为止网 。
４ 组合 预测模 型 的基 本思 路
（） 设原始 交通 事故数 据序列 为 １ 列 ，建立灰 色新 陈代谢 Ｇ （，）模 型 ； Ｍ １１
） ｆ１ ： ｏ） ） （
（） ２， … （） ｎ，根 据 具体 情 况 选 择适 当维 数 的建 模 序 （）应 用 灰 色新 陈代 谢 Ｇ （，）模 型 进 行 预 ２ Ｍ １１
测 ，得 出预 测序列 ；
新 数据 的 同时 ，及 时地去 掉 老数据 ，这样 建立 的新
基于RBF神经网络的交通生成预测模型
交通生成预测是通过预测算法 ， 对城区社会
经 济特 性 、 土地 利 用 形 态 和居 民个 人 及 家庭 属 性 进 行综合 分 析 ， 准 确 预测 出对 象 地 区未 来 的交 通 生 成量 ， 是 正确进 行交 通宏 观 决策 ， 制定 交通 发展 战略 ， 编 制交 通规 划 ， 以及 制定 道路 可行 性研 究 的 重 要前 提 。但是 ， 由于 影 响交 通 生 成 量 的 因素 较 多， 且各 种 因素 之 间的关 系复 杂 ， 需 要建 立一 个 能 包 含所有 影 响 因素 的高 精 度 预 测模 型 ， 以使 未 来
从 简单 到复 杂 ， 就其 中具 体 利 用 何 种 方 法建 立 模 型， 主要 取决 于对 象 区域 的土 地 利 用 形 态 和社 会
经济 特征 ， 这 些模 型属 于利 用 区域 某 一 整体 属 性
为依 据 的集计 模 型 ， 因此 该 类 模 型 缺少 影 响交 通
了基 于 Ｒ Ｂ Ｆ神 经 网络 的交 通 生 成 预 测 模 型 。利
的交通 生成预测模型 ， 该模 型将 以行 为基础为前提 的离散数据作为数据源 ， 模型的建立不需要进行数学推导 ， 利用输 入和输出数据 自动建立 ， 再结 合 Ｒ Ｂ Ｆ神经 网络收敛 速度 快和具有唯一最佳逼近点 的特点 ， 对 交通生成 进行预测 。通过实例进行仿真和分析 ， 结 果表明 ， 该模型最终 获得 的交 通生成 预测结果 与实际值误差 在允许 范 围内， Ｒ Ｂ Ｆ神经 网络交通生成预测效果好 ， 能在实际中应用。 关键 词 ： Ｒ Ｂ Ｆ神经网络 ； 交通生成预测 ； 模型分析
灰色模型和BP神经网络组合模型在交通流预测中的应用
灰色模型和BP神经网络组合模型在交通流预测中的应用摘要：交通流预测是交通控制与管理，交通状况改善的重要参考指标。
本文建立灰色模型和BP神经网络相结合的组合模型，利用灰色模型对实际监测到的数据进行拟合、预测，得到预测值和预测残差，将预测残差输入到神经网络模型进行残差的学习、仿真和预测，残差预测值和灰色模型预测值的和值作为最终预测结果。
结果表明，用灰色模型对神经网络模型预测进行优化，其预测结果比单一的神经网络建模预测具有更高的准确性和实用性，提高了预测的精度。
1 引言随着经济的快速发展，城市车辆的增多，城市交通拥堵和交通事故等问题越来越凸现出来，城市道路上排长龙现象越来越频繁发生，如何准确地预测交通流量，合理分配现有道路资源，改善城市交通通行情况已成为现代交通控制和交通引导领域的重要课题。
但是，交通流受诸多因素影响，存在不确定性、复杂性和随机性，传统的交通流预测方法已经不能满足智能交通系统的需要。
目前，国内外常用的交通流量预测方法和模型有平均值法、ARMA、线性回归、非参数回归、神经网络、灰色模型、滑动平均模型等，在交通流预测方面都取得了不错的成果。
2 交通预测模型2.1 BP神经网络模型BP神经元作为一种简单的处理器可以将输入的数据进行加权求和处理，其通用表达式为：（式1）式中，（i=1，2，…，n）表示输入值，（i=1，2，…，n）表示权重，k表示阈值，y表示神经元的输出。
BP神经网络，即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成，每层由若干个节点组成，每一个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有连接，典型的BP神经网络是含有一个隐含层的三层结构网络，如（图1）所示[1]。
n个输入信号从输入层进入网络，经激励函数变换后到达隐含层，再经过激励函数的映射变换到输出层构成m个输出信号。
图1 BP神经网络模型设神经网络有n个输入神经元、m个输出神经元和p个隐层神经元，则神经元的输出为：由此得到一系列预测值[2]。
一个基于灰色神经网络组合的交通量预测模型应用研究
（ 山东科技 大学 信 电学院， 东 青岛 ２ ６ １ ） 山 ６ ５ ０
摘
要 ： 模型在预测 中对历 史数据作 不同取舍 时 ， ＧＭ 其预测值 并不相 同， 即这 种预测 结果将是 一个预测值 的 区间 ，
这 就 给 预 测人 员 的取 舍 带 来 一 定 困难 。 利 用 ＧＭ 模 型 少数 据 建模 和人 工 神 经 网络 非 线 性 逼 近 的 优 点 把 两 种模 型 结 合 起 来 ， 对 历 史数 据 作 不 同取 舍 的 ＧＭ 模 型 的 预 测 值 和 纯神 经 网络 的预 测 值 作 为 组 合 神 经 网络 的输 入 ， 人 工 神 用 由
ａ ｄ ｇ ｎ ｒ ｔ ｎ ， ｉ ｅ ｅ ｔ ｄ ｌ ａ ｅ ｅ ｔ ｂ ｉｈ ｄ，ｗｈ ｃ ｒ ｃ ｓ ｅ ｕ ｔ ｅｄ ｆｅ ｅ ｔ ｈ ｔ ｒ ｇ ｇ ｅ ｔ ｉ ｉｕ ｔ ｎ ｅ ｅａｉ ｏ ｄｆ ｒｎ ｆ ｍｏ ｅｓ ｒ ｓａ ｌ ｅ ｓ ｉｈ ｆ ｅ ａ ｔ ｓ ｌ ａ ｉ ｒ ｎ ａ ｉ ｒ ａ ｆ ｃ ｌ ｔ ｏ ｒ ｓ ｒ ｆ ｔ ｂ ｎ ｄ ｆ ｙ ｏ ｆ ｒ ｃ ｓｅ ｅ ｕ ｅｏ ｈ ｎ ｅ ｔ ｉ ｎ ｅ ｚ ｎ ｏ ｅ ａ ｔｒ ｕ ｔ ．Ｂａ ｅ ｎ ｔ ｅ ｃ ｍｂ ｎ ｔ ｎ ｏ ｒ ｙ ｆ ｒ ｃ ｓ ｎ ｒ ｉ ｏ ｅ ａ ｔ ｒｂ ｃ ｓ ｆｔ ｅｕ ｃ ｒａｎ ｉ ｔ ｒ ｏ ｅ ｆ பைடு நூலகம் ｃ ｓ ｅ ｌ ａ ｓ ｓ ｓ ｄｏ ｈ ｏ ｉ ａ ｉ ｆｇ ｅ ｏ ｅ ａ ｔ ｄ ａ ｔ ｏ ａ —
Ａ ｓｒｃ：ｎｔｅ ｒｙ ｏｅａｔ ｇ ，ｆ ｒ ｉｅｅ ｔ ｃｅ ｔ ｇ ｒ ｅ ｃｉ ｉ ｏ ｃｌ ａａａ ｄｔｒｕ ｈａｃｍｕａｉ ｂｔａｔ Ｉ ｅ ｒｃｓ ｎ ａｔ ｆ ｒｎｌ ａｃｐｉ ｊ ｔ ｇｈｓ ｒ ａ ｄ ｔ ｏ ｇ ｃｕ ｌ ｏ ｈ ｇ ｆ ｉ ｅｄ ｆ ｙ ｎ ｏ ｒｅ ｎ ｔｉ ｎ ｈ ｔｎ
基于灰色理论和BP神经网络交通流预测模型研究
工学硕士学位论文基于灰色理论和BP神经网络 交通流预测模型研究陈纲哈尔滨工业大学2006年6月国内图书分类号：U491.1+12国际图书分类号：629工学硕士学位论文基于灰色理论和BP神经网络交通流预测模型研究硕士研究生：陈 纲导师：王 健 副教授申 请 学 位：工学硕士学科、专业：交通运输规划与管理所在单位：深圳研究生院答辩日期：2006年6月授予学位单位：哈尔滨工业大学Classified Index: U491.1+12U.D.C: 629Dissertation for the Master Degree of EngineeringPREDICTION OF TRAFFIC FLOWBASED ON GREY THEORY AND BPNEURAL NETWORKSCandidate:Chen GangSupervisor:Associate Prof. Wang Jian Academic Degree Applied for:Master of Engineering Specialty: Transportation planning andManagementAffiliation: Shenzhen Graduate School Date of Oral Examination:June, 2006University:Harbin Institute of Technology- I -哈尔滨工业大学工学硕士学位论文摘要近年来随着交通技术的进步，交通设施不断得到改善，智能交通系统（ITS，Intelligent Transportation System）的应用也越来越广泛。
智能交通系统中的交通诱导子系统是出行和运输管理系统的主要内容，而准确的短期交通流预测对于合理诱导和控制交通、减少交通拥挤等重要作用。
目前的交通流预测模型存在着运算时间长、精度不高等缺点。
本文的研究目的在于建立一个能够克服上述缺点的交通流预测模型。
灰色神经网络交通事故预测比较
Ｄ ｃ２０ ｅ．０６
文 章 编 号 ： ０ ６２ ３ （０ ６ ０ —３ ９０ １ ０— ９９ ２０ ）４０ ２ —４
灰 色神 经 网络交 通事 故预 测 比较
王 秀 ， 孙 皓
（ 东 科 技 大 学 信 Ｆ 学 院 ，山东 青 岛 山 Ｉ ｔ ２６ １） ６ ５ ０
摘
要： 针对 Ｂ Ｐ神经 网络 多变量输入难 以确定的缺点 ， 出了采用灰色关 联分 析法确定 主要影 响因子输 入 提
领域 有着广 泛 的应用 。灰色 关联 分析 的基本 思 想 是根 据序 列 曲线 几何 形状 的相似 程度 来判 断其 联
｛ ∞（ ） （＝ ２ ３ … ， ， 所 有 原 始 序 列 忌 ） ｆ ， ， Ｎ） 对 作一 次 累加 生 成 ： 忌 一 ∑ （ （） 得 到 序 列 Ｄ（ ） ｏ ， ） Ｘ｝ ｛ ”（ ） ， 中 ｉ １ ２ … ， ”一 ｝ ｋ ） 其 一 ， ， Ｎ，则 建 立
联序， 以进行 优 势分 析 ， 而 知道 在众 多 的影 响 因 从
ｎ＝ ［ ，２… ，Ｎ ＝ ｎ ｂ， ６ ］ ＝ Ｙ一 ［ ｉ ２ ， ∞（ ） … ， ∞（ ） ∞（） ｆ ３ ， ｉ ７ ］ ｚ
一
２ ” Ｄ＋ （
（） … ２
（ ２ ）
素中， 哪些 是 主要 因 素 ， 哪些 是 次要 因素 。因 此 ，
Ｇ （ ， 模 型 白化 形 式 的微 分方 程 ： Ｍ １ Ｎ）
＋
其 中 ， 数 ａ， … ， 由最 小 二 乘 估 计 求 参 ｂ， ｂ
得。
记：
系是 否紧 密 ， 曲线越 接 近 ， 应序 列 之间 的关联 度 相 就越 大 ， 之则 越 小 。 由灰 色关 联 度 导 出灰 色关 反
基于RBF神经网络的道路交通安全预测模型研究
科学技术创新2020.27基于RBF 神经网络的道路交通安全预测模型研究聂华伟邓捷廖晓梅（贵州交通职业技术学院，贵州贵阳551400）随着机动车的快速普及，路网的不断完善，成为人类社会经济生活不可缺少的工具，为人类发展带来了便利，但是交通安全问题却日渐突出，导致的交通事故却日渐频繁，带来了生命和经济上的损失不可估量[1]。
因此，提高道路交通安全水平已经成为国内外的迫切需求，预测道路交通安全事故，国内外研究学者进行了相关研究工作。
本文提出基于RBF 神经网络的道路交通安全预测模型，利用RBF 神经网络的全局最优解，提高预测精度。
1道路交通安全影响因素和量化指标1.1道路交通安全影响因素分析影响交通安全的因素由众多的确定因素和不定因素组成，且这些因素内部和外部还存在着复杂的关联性，因此要分别理清楚因素与因素，因素与结果之间的关系，利用简单的数学模型或者关联分析是很难清楚解释的。
为了合理分析道路交通安全事故的相关因素，将影响因素分为微观因素和宏观因素两个方面进行分析。
微观因素，指的是人、车、路和环境。
“人”是指交通参与者，包括驾驶员和行人；“车”是指机动车和非机动车；“路”是指道路及相关的设施设备；“环境”是指天气条件。
宏观因素，指的是社会环境，包括政治、经济、文化、教育、人口、法律等[2]。
选择合适的道路交通安全影响因素指标是建立高精度预测模型的前提，根据前面对影响道路交通安全影响因素分析，依据相关性、可靠性和可操作性的选择原则，选择的影响因素包括人口、GDP 、汽车拥有量、从业人员数、客运量、运营车量、里程、货运量、周转量等9个影响因素指标[4]。
1.2道路交通安全量化指标本文在研究中，采用道路交通综合死亡率作为道路交通安全量化指标，该指标综合展示了人、车、路、环境和交通事故的关系，它说明道路交通综合死亡率是万车死亡率、十万人死亡率和公路里程的几何平均数[5]。
道路交通综合死亡率[6]记作S d ：（1）S d 为道路交通综合死亡率，D 为死亡人数，P 为人口数，N 为机动车保有量，L 为公路里程。
基于灰色预测与神经网络的交通噪声趋势增长研究
基于灰色预测与神经网络的交通噪声趋势增长研究摘要：灰色预测是一种运算简便、易于检验的数学预测模型方法，而神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
本文通过将两种模型有机的结合，很好的完成了对成都市近年来的城市道路交通噪声进行的预测工作，可以为城市道路交通建设等相关工作提供一定的指导。
关键词：灰色预测、神经网络、交通噪声一、灰色预测概述灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列，是一种对原始数据作累加生成得到近似指数规律再进行建模的方法。
[1]对于小样本的数据集合能够利用微分方程来充分挖掘系统的本质；因此，它是一种能够解决历史数据少、序列的不完整及可靠性低的手段和方法。
另一方面，它能将无规律的原始数据进行生成得到规律性强的序列，便于检验的同时也能够保证良好的精度，适合于各类具有指数型增长特征的预测问题研究。
二、神经网络概述人工神经网络（Artificial Neural Network ）是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型。
人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入与输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
学习过程可分为信号的正向传播和误差的逆向传播两部分。
在正向传播的过程中，信号作用于输入层，经过隐层处理后到达输出层，由输出层输出结果信号。
如果结果信号和期望的输出不符，则进入误差的逆向传播过程。
将输出误差以某种形式通过隐层向输入层逐层反向传递，并将误差分摊给该层的所有单元，对这些单元的权值进行修正。
不断重复此过程，直到网络输出的误差小于设定值或进行到预先设定的学习次数为止。
三、实例研究经过以上的说明分析，如果研究的趋势增长预测问题面临样本少，涉及问题复杂、难以通过内在机理分析得到结论的困难时，可以选择通过灰色模型及神经网络算法进行趋势增长预测及检验。
基于RBF神经网络的短时交通流预测研究
基于RBF神经网络的短时交通流预测研究基于RBF神经网络的短时交通流预测研究近年来，交通流预测一直是交通领域的研究热点之一。
交通流预测的准确性对于交通管理和出行规划具有重要意义。
由于交通流的复杂性和不确定性，传统的预测方法往往难以满足实际需求。
因此，基于人工智能的方法成为研究者们的关注焦点。
RBF（径向基函数）神经网络正是在交通流预测中被广泛应用的一种人工神经网络模型。
本文将基于RBF神经网络的短时交通流预测进行研究。
首先，介绍RBF神经网络的原理。
RBF神经网络是一种前向传播的人工神经网络模型，其基本结构包括输入层、隐含层和输出层。
不同于传统的前馈神经网络，RBF神经网络的隐含层由一组径向基函数组成，这些基函数能够对输入数据进行非线性映射。
而输出层则是对隐含层的输出进行线性组合，得到最终的预测结果。
RBF神经网络的主要特点是能够逼近任意连续函数，并且收敛速度较快。
其次，介绍短时交通流预测的研究背景。
短时交通流预测是指在较短时间范围内，对交通流量进行预测。
这对于交通管理者和出行者来说具有重要的参考价值。
传统的短时交通流预测方法包括基于统计学模型的方法和基于时间序列分析的方法。
然而，这些方法在处理交通流的动态变化和非线性关系方面存在一定的局限性。
因此，基于RBF神经网络的短时交通流预测研究具有重要意义。
然后，探讨基于RBF神经网络的短时交通流预测方法。
首先，需要选择合适的输入变量和输出变量。
常见的输入变量包括历史交通流量、天气状况、特殊事件等，而输出变量即为未来某一时间段内的交通流量。
其次，需要对训练数据进行处理和标准化。
这样可以提高RBF神经网络的训练效果。
在训练过程中，需要确定合适的隐含层神经元数量和径向基函数的宽度。
这可以通过试验和调整来实现。
最后，需要对模型进行评估和验证。
常见的评估指标包括均方根误差、平均绝对误差等。
最后，进行实验验证和结果分析。
通过对某一地区的历史交通流量数据进行建模和训练，然后进行预测。
基于组合预测的RBF神经网络货运量预测方法研究
基于组合预测的RBF神经网络货运量预测方法研究
胡波;刘建民
【期刊名称】《交通信息与安全》
【年(卷),期】2006(024)004
【摘要】为有效进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次分析模型,根据该模型构建了基于RBF神经网络的货运量预测方法.用我国1985～2004年的货运量统计数据对该神经网络进行训练和检验,并对2005～2006两年间的货运量进行预测.预测时设定了2005～2006年2 a间货运量各影响因素值,再运用RBF神经网络预测这两年的货运量.结果表明,2005年的预测值与国家统计局最近公布的实际数值有很好的一致性,表明这一方法的可行性.【总页数】4页(P34-36,40)
【作者】胡波;刘建民
【作者单位】西北工业大学,西安,710072;西北工业大学,西安,710072
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于组合预测模型的物流园区货运量预测研究 [J], 张九跃;张顺英
2.基于RBF神经网络的公路货运量预测方法研究 [J], 魏艳强;刘海琳;宁红云
3.基于组合预测模型的铁路货运量预测研究 [J], 徐玉萍;邓俊翔;蒋泽华
4.基于组合预测的货运量预测 [J], 黄娟;刘双贤
5.基于组合预测的货运量预测 [J], 黄娟;刘双贤
因版权原因，仅展示原文概要，查看原文内容请购买。
基于云遗传的RBF神经网络的交通流量预测
基于云遗传的RBF神经网络的交通流量预测张琛;徐国丽【摘要】以神经网络和混沌时间序列理论为基础，提出了一种基于云遗传的RBF 神经网络优化算法。
该算法利用云模型云滴的随机性和稳定倾向性的特点，由正态云模型的Y条件云发生器实现交叉操作，由基本云发生器实现变异操作，提高了遗传搜索的效率，精简了网络结构。
将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证，并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。
仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高，从而证明该算法在交通流时间序列预测领域的可行性和有效性。
%Based on neural networks theory and chaotic time series theory, an improved RBF neural networks based on cloud genetic algorithm is proposed. In this algorithm, Y-conditional cloud generator is used as the cross operator and basic cloud generator is used as the mutation operator by utilizing the properties of randomness and stable tendency of normal cloud mode, so improve the efficiency of genetic search and simplify the structure of the network. The efficiency of the proposed prediction method is tested by the simulation of time series of Logistic systems and real traffic flow. The simulation results show that the proposed method in the paper has higher precision compared with the traditional RBF neural network and GARBF neural network, so prove it is feasible and effective in the time series prediction of traffic flow.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)016【总页数】5页(P216-220)【关键词】云理论;遗传算法;RBF神经网络;交通流量预测;Logistic混沌时间序列【作者】张琛;徐国丽【作者单位】甘肃政法学院实验管理中心，兰州 730070;兰州交通大学数理与软件工程学院，兰州 730070【正文语种】中文【中图分类】TP301交通诱导和控制是智能交通系统的重要组成部分。
硕士论文基于rbf神经网络的货运量预测模型研究
货运量预测按其性质可分为定性预测和定量预测。定性预测方法主要以专家为索取 信息的对象，组织各方面专家运用专业方面的知识和经验，通过对过去和现在发生的问 题进行综合分析，从中找出规律，对未来做出判断。该预测方法在缺乏足够的统计数据 和原始资料的情况下，凭借专家的经验和判断能力，用系统的、逻辑的思维方法作出定 量估价，从而预测未来。这种方法在很大程度上取决于经验和专家的努力。简单易行， 花费的时阳Ｊ少，是应ｊｌｊ历史较久的一种方法心１，至今在各类预测方法【｝Ｊ仍占重要地位。 但存在片面性、准确瞍小太高的缺点。只能作为货运量预测的一种车南助方法：定量预测 方法是用定量分析术研究运量的发展趋势，它以历史统计资料和有火信息为依掘，运用
ＦＶＦ ｈａｓ ｂｅｅｎ ｓｔｕｄｉｅｄ ｆｏｒ ａ ｌｏｎｇ ｈｉｓｔｏｒｙ．Ｑｕａｎｔｉｔａｔｉｖｅ ｐｒｅｄｉｃｔｉｏｎ Ｗａｓ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ｉｎ ｐｒａｃｔｉｃｅ．Ｂｏｔｈ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ａｒｅ ｂａｓｅｄ ｏｎ ｃｌａｓｓｉｃａｌ ｓｔａｔｉｓｔｉｃｓ．
ｕｓｅｄ．ｗｅｌｌ．Ａｓ ａ ｒｅｓｕｌｔ，ｌｅａｒｎｉｎｇ ａｂｉｌｉｔｙ ｔｏ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｐｒｏｍｏｔｅｄ ｅｆｆｅｃｔｉｖｅｌｙ ａｎｄ
ｃｕｍｕｌａｔｅｄ ｅｒｒｏｒ ｉｓ ｅｌｉｍｉｎａｔｅｄ。Ｅｖｅｎｔｕａｌｌｙ，ｔｈｅ ＤＣＬＡ ｂａｓｅｄ ｏｎ ｅｘｔｅｎｄｅｄ ｍａｔｒｉｘ ｉｓ ｕｓｅｄ ｆｏｒ
ⅣＦ；ａｎ ｅｘｔｅｎｄｅｄ ｍａｔｒｉｘ，ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｔｉｍｅ ｄｏｍａｉｎ ｉｎｆｏｒｍａｔｉｏｎ，ｉｓ ｄｅｆｉｎｅｄ．Ｔｈｅ
ｅｘｔｅｎｄｅｄ ｍａｔｒｉｘ ｉｓ ｕｓｅｄ ｔｏ ｉｍｐｒｏｖｅ ｓｔｏｒａｇｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｉｎｐｕｔ ａｎｄ ｏｕｔｐｕｔ ｄａｔａ，ｓｏ ｔｈａｔ ａ ｓｉｍｐｌｉｆｉｅｄ ｆｏｒｅｃａｓｔ ｍｏｄｅｌ ｉｓ ｂｕｉｌｔ，ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｌｅａｒｎｉｎｇ ｄａｔａ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃａｎ ｂｅ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
交 通 系统是 一个 由人 、车 、路 等组 成 的时 变 的 复 杂 系统 ，它具 有 高度不 确定 性 的显 著特 点 ，这种
不 确定 性给 交通 量 的预测 带来 了困难 。有效 利 用交
良好 的非 线性 映射 能力 ，其 大规模 并 行处 理 、容错
性 、 自组 织 和 自适 应 能力 以及联 想功 能 等特点 ，已 经成 为 解 决 随 机 性 、 非 线 性 预 测 问 题 的 有 力 工 具 。在交 通 流 预 测 研 究 方 面 也 取 得 了 显 著 的成
第２ ８卷 第 ４期
２１ ０ ２年 ７月
森
林
工
程
Ｖｏ＿ ８ Ｎｏ ４ ｌ２ ．
Ｆ ０ＲＥ Ｔ Ｅ Ｓ ＮＧＩ ＥＥ ＮＧ Ｎ ＲＩ
Ｊｌ ｕｙ，２ ２ ０１
基 于 灰 色 Ｒ Ｆ神 经 网 络 组 合 模 型 的 交 通 量 预 测 研 究 Ｂ
王 旭 ， 周 旭
（ 北 林 业 大 学 土 木 工 程 学 院 ，哈 尔 滨 １０ ４ ） 东 ５０ ０
ｏ ｒ ｙ ＲＢＦ ｕｒ ｌＮｅｗｏ ｋ Ｃｏ ｂ ｎａ ｉｎ Ｍ ｏ ｅ ｎＧ ｅ Ｎｅ ａ ｔ ｒ ｍ ｉ ｔｏ ｄ ｌ
Ｗ ａ ｇ Ｘｕ， Ｚｈ ｕ Ｘｕ ｎ ｏ
（ ｏ ｅｅｏ Ｃｖ ｎｉ ｅ ｎ ，Ｎ ｒ ｅｓ ＦｒｓｙＵ ｉｅ ｉ ，Ｈ ｒｉ ５ ０ ０ Ｃ ｌ ｇ ｆ ｉｌ ｇ ｅｒ ｇ ｏ ｈａｔ ｏｅｔ ｎｖｒ ｔ ｌ ｉＥ ｎ ｉ ｔ ｒ ｓ ｙ ａｂｎ１０ ４ ）
关 键 词 ：灰 色理 论 ；Ｒ Ｆ神 经 网络 ；新 陈代 谢 ；组 合 模 型 ；交 通 量 ；预 测 Ｂ 中 图分 类 号 ：Ｕ ４４ ８ 文 献 标 识 码 ：Ａ 文章 编 号 ：１０ 一Ｏ５ （０ ２ ３— ０ １ ０ ０ １ ０ Ｘ ２ １ ）０ ０ ５ — ４
Ｒｅ ｅ ｒ ｈ ｏ ａ ｃ Ｖｏ ｕ ｅ Ｆｏ ｅ ａ ｔｎ ｓ ｄ ｓ ａ ｃ ｆＴｒ ｆ ｌ ｍ ｒ ｃ ｓｉ ｇ Ｂａ ｅ ｉ
通 流信 息选 择合 适 的模 型 和方 法来 预测 未来 时段 的
交通 量 ，具有 极 大 的意义 。这 一预 测可 以用 来制 订 和 实施某 项交 通 管 理 计 划 ，或 对 交 通 流 进 行 调 节 ， 以防止 或减缓 这 一时期 可 能 出现 的交通 拥挤 和危 险
果 。Ｊ 。结合 两种 理论 的思 想 ，提 出灰色 神 经 网络 组 合模 型 ，根 据结 合 形式 主要 有 串联 型 、并 联 型 、
知 ，部 分 信息 未 知 ” 的 “ 样 本 ” “ 信 息 ” 不 小 、 贫
Ａｂ ｔ ａ ｔ Ａ ｐ ａ ｅ ｍｏ ｅ ｔａ ｏ ｉ ｅ ｔｂ ｌ ｅ ｄ ｌａ ｄ ＲＢ ｕ ａ ｔ ｏ ｋ ｗａ ｓ ｂ ｉｈ ｄ ｉ ｅｐ ｐ ｒ ｃ ｏ ｄ ｎ ｓｒ ｃ ： ｌｎ ｄ ｌ ｈ ｔｃ ｍｂｎ ｓＭｅａ ｏ ｉ Ｇｒ ｙＭｏ ｅ ｎ Ｆ Ｎｅ ｒ ｌ ｃ Ｎｅｗ ｒ ｓｅ ｔ ｌ ｅ ｎ ｔ ａ ｅ ｃ ｒ ｉ ｇ ｔ ａ ｓ ｈ ａ ｏ ｔ ｅ ｆ ａｕ ｅ ｆＭｅ ａ ｏｉ ｅ ｄ ｌ ｎ ｈ ｅ ｔｒ ｓ ｏ ｔｂ ｌ Ｇｒｙ Ｍｏ ｅ ｄ ＲＢＦ Ｎ ｕ ａ ｔ ｒ ． Ｔ ｅ ｍｏ ｅ ａ ｅｔｒ ｆｒ ｃ ｓｉ ｇ ａ ｉ ｔ ｏ ｅ ｔａｆ ｏｕ ｎ ｔ ｅ ｃ ａ ｅ ｒｌＮｅｗｏ ｋ ｈ ｄ ｌｈ ｓ ｂ ｔ ｏ ｅ ａ ｔ ｂ ｌ ｙ ｆｒ ｔ ｒ ｆ ｃ ｖ ｌ ｍｅ ｏ ｈ ｅ ｎ ｉ ｈ ｉ ｈ ｇ ｗａ ｓｗｉ ｏ ｔｄ ｔ ｃｏ ｓ Ｔ ｅａ ｔ ａ ｕ ｖ ｙ ｄ ｔ ｓｅ ｔｒ ｄ ｉ ｔ ｈ ｄ ｌｔ ｏ ｄ ｃ ｉ ｌｔ ｎ Ｔ ｅ ｃ ｍｐ ｒｓ ｎ ｒ ｓ ｌ ｓ ｏ ｄ ｉｈ ｙ ｔ ｕ ｅ ｅ ｔ ｒ ． ｈ ｃ ｕ ｌｓ ｒ ｅ ａ ａｗａ ｎ ｅ ｅ ｎｏ ｔ ｅ ｍｏ ｅ ｃ ｎ ｕ ｔａｓｍｕａ ｉ ． ｈ ｏ ａ ｉｏ ｅ ｕ ｔ ｈ ｗｅ ｈ ｏ ｏ ｔ ａ ｈ ｄ ｌｈ ｓ ａ ｈ ｇ ｅ ｒ ｃ ｓ ｎ ａ ｄ ｗ ｓ ｐ ｏ ｅ ｏ ｂ ｅ ｓ ｌ ｎ ｆ ｃｉ ｅ ｉ ｈ ｏ ｅ ａ ｔ ｇ ｏ ｉ ｈ ａ ｒ ｆ ｏｕ ． ｈ ｔｔ ｅ ｍｏ ｅ ａ ｉｈ ｒｐ ｅ ｉｉ ｎ ａ ｒ ｖ ｄ ｔ ｅ ｆ ａ ｉ ｅ ａ ｄ ｅｆ ｔ ｎ ｔ ｅ ｆｒ ｃ ｓ ｎ ｆｈ ｇ ｗ ｙ ｔａｉ ｖ ｌ ｍｅ ｏ ｂ ｅ ｖ ｉ ｆ ｃ
嵌 人 型等 ，有 的在 交通 流预测 方 面得 到 了一 定 的应 用 ，其 预测 结 果 显 示 出 了模 型 的优 越 性 ＿ 。在 我 ８ Ｊ 国无 检 测器 的公 路还 大量 存在 ，而 无检 测器 公路 的
隐患 等 问题 ＿ ２。灰 色 系 统 理 论 以 “ 分 信 息 已 】 － 部
Ｋｅ ｙｗｏ ｄ ｒ ｓ：Ｇｒ ｙ Ｔｈ ｏ ； ＲＢＦ ｕ ａ ｔ ｒ ｅ ｅ ｒ ｙ ｎｅ ｒ ｌｎｅｗｏ ｋ； ｍｅ ａ ｌｓ ； ｃ ｍ ｂｎａｉ ｎ ｍ ｏ ｌ ｔａｆｃ ｖ ｌ ｔｂｏｉｍ ｏ ｉ ｔｏ ｄｅ ； ｒ ｉ ｏｕｍｅ； ｆｒ ｃ ｓｉｇ ：根 据 新 陈 代 谢 灰 色模 型 和 Ｒ Ｆ神 经 网络 模 型 各 自的 特 点 ， 构 造 一 种 新 陈 代 谢 灰 色模 型 与 Ｒ Ｆ神 经 网络 模 型 Ｂ Ｂ
组合 的平面型模型 ，模型对无检测 器公路 的交通量具有较好的预测 能力 ，并用 实地调 查的数据进 行仿 真和 比较 ，验 证此模 型具有较 高的精度 ，从 而证明这一模型 的可行性 和有效性。