CN103150609A - 一种短时交通流量预测模型的建模方法 - Google Patents
一种短时交通流量预测模型的建模方法 Download PDFInfo
- Publication number
- CN103150609A CN103150609A CN2013100521911A CN201310052191A CN103150609A CN 103150609 A CN103150609 A CN 103150609A CN 2013100521911 A CN2013100521911 A CN 2013100521911A CN 201310052191 A CN201310052191 A CN 201310052191A CN 103150609 A CN103150609 A CN 103150609A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- traffic flow
- parameter
- short
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短时交通流量预测模型的建模方法,包括如下步骤:将惩罚参数γ和径向基核函数宽度参数σ作为参数代入LSSVM模型训练并预测;采用预测结果的相对误差总和作为适应度评估函数,适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数γ和径向基核函数宽度参数σ;采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练,建立最优短时交通流量预测模型。本发明提高短时交通流量的预测能力。
Description
技术领域
本发明涉及一种短时交通流量预测模型的建模方法,具体为一种人工鱼群算法和最小二乘支持向量机相结合的短时交通流量预测模型的建模方法。
背景技术
实时准确的交通流预测是实现交通智能管理的基础,根据时间跨度,交通流量可分为长期和短时两种,其中短时交通流量具有突发性、时变性和随机性,难以精确数学模型,建立预测精度高、预测结果稳定的短时交通流量预测模型一直是交通智能管理领域研究中的难点问题。
发明内容
发明目的:针对上述现有技术存在的问题和不足,本发明的目的是提供一种短时交通流量预测模型的建模方法,通过人工鱼群算法对最小二乘支持向量机进行参数优化,提高短时交通流量的预测能力。
技术方案:为实现上述发明目的,本发明采用的技术方案为一种短时交通流量预测模型的建模方法,包括如下步骤:
将惩罚参数γ和径向基核函数宽度参数σ作为参数代入LSSVM(LeastSquares Support Vector Machine,最小二乘支持向量机)模型训练并预测;
采用预测结果的相对误差总和作为适应度评估函数,适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数γ和径向基核函数宽度参数σ;
采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练,建立最优短时交通流量预测模型。
进一步的,根据结构风险最小化原则,得到LSSVM的最优回归模型,从而得到LSSVM的惩罚参数γ;根据Mercer条件,得到LSSVM的回归函数,而核函数采用径向基核函数,进而得到径向基核数宽度参数σ。
有益效果:本发明与现有技术相比具有如下优点:
(1)AFSA-LSSVM的预测误差最小,预测精度最高,预测结果最稳定。
(2)AFSA-LSSVM较好的克服了GA、PSO算法优化LSSVM参数时存在的缺陷,可以获得更优的LSSVM参数γ和σ。
(3)AFSA-LSSVM可以准确、全面反映短时交通流量的变化规律,提高了短时交通量的预测精度,为现代非线性短时交通流量预测供了一种新的方法。
附图说明
图1为各模型对交通流量的相应预测结果与实际值的偏差图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的一种人工鱼群算法和最小二乘支持向量机相结合的短时交通流量预测模型的建模方法,它包括:对LSSVM回归建模过程进行分析,得到LSSVM学习性能主要取决于惩罚参数γ和径向基核数宽度参数σ,利用搜索能力强的AFSA(人工鱼群算法)可以对LSSVM参数进行优化。首先将自变量作为参数代入LSSVM模型训练并预测,然后采用预测结果的相对误差总和作为适应度评估函数,适应度评估函数最小值的人工鱼位置即为最优的LSSVM参数γ和σ,最后采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练,建立最优短时交通流量预测模型。
实施例
一种人工鱼群算法和最小二乘支持向量机相结合的短时交流量预测模型,它包括:对于训练样本集{(xi,yi)},i=1,2,…n,xi和yi分别表示第i个输入和输出,通过非线性映射函数将样本映射到高维特征空间,进行回归运算,建立相应的回归函数为:
式中,w和b分别表示权值向量和偏置量。
根据结构风险最小化原则,得到LSSVM的最优回归模型:
s.t. (2)
为求解优化函数的最小值,构造如下拉格朗日函数:
式中,αi为拉格朗日乘子。
根据拉格朗日函数,得到LSSVM的回归函数,回归函数用f(x)表示:
本模型中LSSVM的核函数采用径向基核函数,径向基核函数k(xi,xj)定义为:
k(xi,xj)=exp(-||xi-xj||2/σ2) (5)
式中,σ表示径向基核函数宽度,xj表示第j个输入。
LSSVM学习性能取决于参数的合理选择,选择径向基核函数有两个参数要确定,分别为惩罚参数γ和径向基核函数宽度σ。
AFSA是一种模拟鱼类行为的群体智能优化算法,其通过模拟鱼类的觅食、聚群、追尾、随机等行为在问题解的空间进行搜索。为了提高AFSA的全局搜索能力,在觅食行为、群聚行为、追尾行为中,定义如下:
人工鱼个体的状态表示为向量Xi=(x1,x2,…xi),其中xi(i=1,2,…n)为欲寻优的变量。Rand()函数产生0到1之间的随机数。
(1)觅食行为。设人工鱼i的当前状态为Xi,在其视野范围(Visual)内随意选择一个状态Xj,Step为移动步长,那么有:
Xj=Xi+Visual*Rand() (6)
若t+1时刻的解优于t时刻Xi状态的解,则向该方向前进一步:
若不满足,则返回重新选择状态Xj。尝试多次后仍不满足,则执行随机行为。
(2)群聚行为。设人工鱼在游动过程中探索当前邻域内的伙伴数目nf及中心位置Xc,Yc表示人工鱼所感知的中心位置的值,δ为拥挤因子,Yi为人工鱼i的当前位置。若Ycnf<δYi,则朝伙伴中心移动。
(3)追尾行为。人工鱼在游动过程中探索视野范围内解Yj最优的伙伴Xj,若Ycnf<δYi,则朝Xj移动:
(4)随机行为。人工鱼随意在视野范围内选择一个状态,向该方向移动:
将全局最优人工鱼Xbest_af信息加入其前进方向中,设在这三种行为中选择的行进方向的状态为Xj,则移动的方向改为向Xj位置和全局最优位置Xbest_af的向量和方向前进一步:
其中Step为移动步长。
利用搜索能力强的AFSA可以对LSSVM参数进行优化。LSSVM参数优化实质是一个二元自变量求最小值的过程。最小值的获得如下:首先将自变量作为参数代入LSSVM模型训练并预测,然后采用预测结果的相对误差总和作为适应度评估函数fitness,适应度评估函数最小值的人工鱼位置即为最优解。
适应度评估函数为:
将最优解代入到LSSVM中进行反归一运算,计算出最优的的LSSVM参数γ和σ。最后采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练,建立最优短时交通流量预测模型。
采集某市十字路口2012年8月2日起连续15天的交通流量,观测时间为8:00至12:00,每10分钟记录一次数据,共获得360个数据,它们组成一维时间序列X={x1,x2,…,x360}。采用前300个数据作为训练集建立短时交通流量预测模型,后60个数据作为测试集,验证已建立模型的预测效果。
由于采集的短时交通流量数据为一维时间序列,本模型采用关联维算法确定短时交通流量时间序列的延时间τ和嵌入维数m,得到最优τ=1,m=6,对短时交通流量时间序列进行重构,构造合适的输入输出向量(Xt,Yt),Xt={xl-m,xl-m+1,…,xl-1},Yt=xt,,m为输入向量的维数,xt为t时刻的交通流量,t=l-m,l-m+1,…,l-1,共得到364个短时交通流量数据。
为了加快LSSVM学习效率,消除因数据差异太大的不利影响,对数据进行线性归一化处理,具体为:
其中,xmin和xmax分别为交通流量的最小值和最大值;xt′为归一化处理后的交通流量。
为检验AFSA-LSSMV的优越性,选择粒子群优化算法(PSO)的PSO-LSSVM和遗传算法(GA)的GA-LSSVM作为对比模型。AFSA-LSSVM参数设置为:鱼的数目(k)为10,Visual为3,试探次数为50,δ为0.5,Step为1.5,迭代次数为200;PSO-LSSVM参数设置为:粒子数群规模为10,参数局部搜索能力c1=2,全局搜索能力c2=2,迭代次数为200;GA-LSSVM参数设为:种群数量为20,交叉概率为0.90,变异概率为0.015进化代数为200。模型性能评价标准为:均方根误差(root mean square error,RMSE)和平均绝对误差(meanabsolute error,MAE)。
为验证各模型预测结果的稳定性,每种模型均进行10次预测实验。每一次预测结果的MAE、RMSE值如表1所示。
Claims (2)
1.一种短时交通流量预测模型的建模方法,其特征在于,包括如下步骤:
将惩罚参数γ和径向基核函数宽度参数σ作为参数代入LSSVM模型训练并预测;
采用预测结果的相对误差总和作为适应度评估函数,适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数γ和径向基核函数宽度参数σ;
采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练,建立最优短时交通流量预测模型。
2.根据权利要求1所述一种短时交通流量预测模型的建模方法,其特征在于,根据结构风险最小化原则,得到LSSVM的最优回归模型,从而得到LSSVM的惩罚参数γ;根据Mercer条件,得到LSSVM的回归函数,而核函数采用径向基核函数,进而得到径向基核数宽度参数σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310052191.1A CN103150609B (zh) | 2013-02-18 | 2013-02-18 | 一种短时交通流量预测模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310052191.1A CN103150609B (zh) | 2013-02-18 | 2013-02-18 | 一种短时交通流量预测模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150609A true CN103150609A (zh) | 2013-06-12 |
CN103150609B CN103150609B (zh) | 2017-05-03 |
Family
ID=48548669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310052191.1A Active CN103150609B (zh) | 2013-02-18 | 2013-02-18 | 一种短时交通流量预测模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150609B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN104021665A (zh) * | 2014-06-06 | 2014-09-03 | 河南理工大学 | 基因搜索短时交通流预测方法 |
CN104240520A (zh) * | 2014-09-24 | 2014-12-24 | 四川省交通科学研究所 | 一种基于gso优化的高速公路流量预测方法 |
CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
CN107180278A (zh) * | 2017-05-27 | 2017-09-19 | 重庆大学 | 一种轨道交通实时客流预测方法 |
CN107273687A (zh) * | 2017-06-16 | 2017-10-20 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN108985517A (zh) * | 2018-07-27 | 2018-12-11 | 南京理工大学 | 基于线性回归的短时交通流量预测方法 |
CN109102698A (zh) * | 2018-09-28 | 2018-12-28 | 江苏大学 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
CN109492813A (zh) * | 2018-11-13 | 2019-03-19 | 中石化石油工程技术服务有限公司 | 基于改进遗传算法的短期天然气负荷组合预测方法 |
CN109949577A (zh) * | 2019-04-25 | 2019-06-28 | 贵州大学 | 一种道路交通流量预测方法 |
CN112614346A (zh) * | 2020-12-17 | 2021-04-06 | 东南大学 | 基于奇异谱分析和回声状态网络的短时交通流预测方法 |
CN112634608A (zh) * | 2020-12-09 | 2021-04-09 | 长春理工大学 | 一种区域交通流量预测方法及系统 |
CN113947332A (zh) * | 2021-11-08 | 2022-01-18 | 中国人民解放军火箭军工程大学 | 一种地下工程综合保障能力的评估方法及系统 |
CN114397289A (zh) * | 2022-01-14 | 2022-04-26 | 长春工业大学 | 一种土壤中重金属元素定量分析方法及相关设备 |
CN114463972A (zh) * | 2022-01-26 | 2022-05-10 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN116978222A (zh) * | 2023-07-24 | 2023-10-31 | 重庆邮电大学 | 一种基于时空数据的短时交通流预测方法 |
CN117373263A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市永达电子信息股份有限公司 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101740029A (zh) * | 2009-12-16 | 2010-06-16 | 深圳大学 | 应用于基于矢量量化的说话人识别的三粒子协同优化方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
CN102208046A (zh) * | 2011-05-19 | 2011-10-05 | 山东大学 | 基于二进制粒子群优化算法的混沌时间序列预测方法 |
CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
CN102567739A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院(集团)有限公司电力研究院 | 基于变压器特征参量的状态评估方法 |
-
2013
- 2013-02-18 CN CN201310052191.1A patent/CN103150609B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101740029A (zh) * | 2009-12-16 | 2010-06-16 | 深圳大学 | 应用于基于矢量量化的说话人识别的三粒子协同优化方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
CN102208046A (zh) * | 2011-05-19 | 2011-10-05 | 山东大学 | 基于二进制粒子群优化算法的混沌时间序列预测方法 |
CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
CN102567739A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院(集团)有限公司电力研究院 | 基于变压器特征参量的状态评估方法 |
Non-Patent Citations (2)
Title |
---|
卢宏建等: "《基于最小二乘支持向量机和人工鱼群算法的预应力锚杆布置间距优化》", 《北京科技大学学报》 * |
徐蓓蓓: "风电场风速和发电功率预测研究", 《万方学位首页电力系统及其自动化》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN104021665A (zh) * | 2014-06-06 | 2014-09-03 | 河南理工大学 | 基因搜索短时交通流预测方法 |
CN104021665B (zh) * | 2014-06-06 | 2016-09-07 | 河南理工大学 | 基因搜索短时交通流预测方法 |
CN104240520A (zh) * | 2014-09-24 | 2014-12-24 | 四川省交通科学研究所 | 一种基于gso优化的高速公路流量预测方法 |
CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
CN106971548B (zh) * | 2017-05-18 | 2019-06-07 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN107180278A (zh) * | 2017-05-27 | 2017-09-19 | 重庆大学 | 一种轨道交通实时客流预测方法 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
CN107273687A (zh) * | 2017-06-16 | 2017-10-20 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN107273687B (zh) * | 2017-06-16 | 2020-04-17 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN108985517A (zh) * | 2018-07-27 | 2018-12-11 | 南京理工大学 | 基于线性回归的短时交通流量预测方法 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
CN109215344B (zh) * | 2018-09-27 | 2021-06-18 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
CN109102698A (zh) * | 2018-09-28 | 2018-12-28 | 江苏大学 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
CN109102698B (zh) * | 2018-09-28 | 2021-07-20 | 江苏大学 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
CN109492813A (zh) * | 2018-11-13 | 2019-03-19 | 中石化石油工程技术服务有限公司 | 基于改进遗传算法的短期天然气负荷组合预测方法 |
CN109949577A (zh) * | 2019-04-25 | 2019-06-28 | 贵州大学 | 一种道路交通流量预测方法 |
CN109949577B (zh) * | 2019-04-25 | 2021-07-27 | 贵州大学 | 一种道路交通流量预测方法 |
CN112634608A (zh) * | 2020-12-09 | 2021-04-09 | 长春理工大学 | 一种区域交通流量预测方法及系统 |
CN112614346A (zh) * | 2020-12-17 | 2021-04-06 | 东南大学 | 基于奇异谱分析和回声状态网络的短时交通流预测方法 |
CN112614346B (zh) * | 2020-12-17 | 2022-02-15 | 东南大学 | 基于奇异谱分析和回声状态网络的短时交通流预测方法 |
CN113947332B (zh) * | 2021-11-08 | 2024-06-07 | 中国人民解放军火箭军工程大学 | 一种地下工程综合保障能力的评估方法及系统 |
CN113947332A (zh) * | 2021-11-08 | 2022-01-18 | 中国人民解放军火箭军工程大学 | 一种地下工程综合保障能力的评估方法及系统 |
CN114397289A (zh) * | 2022-01-14 | 2022-04-26 | 长春工业大学 | 一种土壤中重金属元素定量分析方法及相关设备 |
CN114463972A (zh) * | 2022-01-26 | 2022-05-10 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN114463972B (zh) * | 2022-01-26 | 2024-02-27 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN116978222B (zh) * | 2023-07-24 | 2024-04-16 | 重庆邮电大学 | 一种基于时空数据的短时交通流预测方法 |
CN116978222A (zh) * | 2023-07-24 | 2023-10-31 | 重庆邮电大学 | 一种基于时空数据的短时交通流预测方法 |
CN117373263A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市永达电子信息股份有限公司 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
CN117373263B (zh) * | 2023-12-08 | 2024-03-08 | 深圳市永达电子信息股份有限公司 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103150609B (zh) | 2017-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103150609A (zh) | 一种短时交通流量预测模型的建模方法 | |
Li et al. | Multi-objective evolutionary algorithms and hyper-heuristics for wind farm layout optimisation | |
Ikram et al. | Application of improved version of multi verse optimizer algorithm for modeling solar radiation | |
Kaboli et al. | Long-term electric energy consumption forecasting via artificial cooperative search algorithm | |
Khafaga et al. | Forecasting energy consumption using a novel hybrid dipper throated optimization and stochastic fractal search algorithm | |
Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
Guedes et al. | Performance analysis of metaheuristic optimization algorithms in estimating the parameters of several wind speed distributions | |
CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
Beskirli et al. | The energy demand estimation for Turkey using differential evolution algorithm | |
CN109190851A (zh) | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 | |
Mohammed et al. | An innovative synthesis of optmization techniques (FDIRE-GSK) for generation electrical renewable energy from natural resources | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN108921359A (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
CN109816177A (zh) | 一种负荷聚合商短期负荷预测方法、装置及设备 | |
Pop et al. | Review of bio-inspired optimization applications in renewable-powered smart grids: Emerging population-based metaheuristics | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN103577897A (zh) | 一种土地利用空间布局智能优化的种群初始化方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN106786499B (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
Lai et al. | Investigating dam reservoir operation optimization using metaheuristic algorithms | |
CN107688702B (zh) | 一种基于狼群算法的河道洪水流量演进规律模拟方法 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 215400 No. 1, Jian Xiong Road, science and Education Town, Taicang, Suzhou, Jiangsu Patentee after: SUZHOU CHIEN-SHIUNG INSTITUTE OF TECHNOLOGY Address before: 215411 Jianxiong Road, Taicang Science and Education New Town, Suzhou City, Jiangsu Province Patentee before: CHIEN-SHIUNG INSTITUTE OF TECHNOLOGY |
|
CP03 | Change of name, title or address |