1、“.....又充分发挥了径向基神经网络特各种优点，使得更加预测更加高效，预测结果更加精确。针对待预测路口，将历史数据第时刻，第时刻，第时刻，第时刻的交通流量等等共个数据作为神经网络的输入，将时刻的交通流量数据作为网络的输出结果。神经网络模型为个输响应。当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出来这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。基函数最常用的是高斯函数其中是维输入向量是第个基函数的中心，与具有相同维数的向量，是第个感知的变量，它决定了该基函数围绕中心点的宽度是感知单元的个数。是向量种应用径向基神经网络和分析的交通流预测方法论文原稿技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用种径向基网络的方法进行交通流的预测。神经元的特性在中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络......”。

2、“.....神经元的作用可用下面的数学式表达。常用的激励函数有线形函数分段线形函数函数交通控制中，交通流量预测是个重要基本环节，本文对其设计了径向基网络结合的方法来预测，减小相关路口维数，而网络实现预测权值的计算，最终达到应用相关路口历史数据预测目标路口流量的目的。关键词方法流量预测交通控制系统工程随着中国城市不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及成分来求解相关路口根据径向基神经网络，由相关路口数据流来训练有关权值，得到下时刻预测的目标路口交通流与相关路口历史数据流之间的关系最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。的路口数据相关性降维单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多......”。

3、“.....就知道目标路口交通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。径向基神经网络流量预测径向基网络神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络。个典型的具有维输入的神经元组成，神经元的作用可用下的路口数据相关性降维单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为克服原始数据单位的不统等问题，对原始数据进行必要的规格化处理，使规格化后的数据样阵的所有特征值，进步得到主成分，主成分基本上包含了所有成分的大部分信息。解决的渠道是多方面的，从技术层面......”。

4、“.....这里主要采用种径向基网络的方法进行交通流的预测。系统处理方案将组相关到路口的数据流量进行了剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下根据每个路口总体特性。大量简单神经元的相互连结皆构成了神经网络。个典型的具有维输入的神经元组成，神经元的作用可用下面的数学式表达。种应用径向基神经网络和分析的交通流预测方法论文原稿。的路口数据相关性降维单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象降维单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量......”。

5、“.....对原始数据进行必要的规格化处理，使规格化后的数据样本成为标准的正态分布。种应用径向基神经网络和分析的交通流预测方法论文原稿成为标准的正态分布。所有路口都可是为个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了个路口彼此之间的相关程度。通过矩阵运算求出相关系数矩阵的所有特征值，进步得到主成分，主成分基本上包含了所有成分的大部分信息。种应用径向基神经网络和分析的交通流预测方法论文原稿。性降维单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为克服原始数据单位的不统等问题，对原始数据进行必要的规格化处理......”。

6、“.....解决的渠道是多方面的，从技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用种径向基网络的方法进行交通流的预测。系统处理方案将组相关到路口的数据流量进行了剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下根据每个路口所记录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口根据径向基神经网络，由相关路口数据流来训练有关权值，得到下时刻预测的目标路口交通流与相关路口历史数据流之间的关系最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。的路口数据相的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为克服原始数据单位的不统等问题......”。

7、“.....使规格化后的数据样本成为标准的正态分布。所有路口都可是为个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了个路口彼此之间的相关程度。通过矩阵运算求出相关系数有路口都可是为个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了个路口彼此之间的相关程度。通过主成分的计算和分析，就知道目标路口交通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。径向基神经网络流量预测径向基网络神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在中程度上决定了神经网络录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口根据径向基神经网络，由相关路口数据流来训练有关权值......”。

8、“.....以及采集到的数据，求解预测未来的交通流量。的路口数据相关种应用径向基神经网络和分析的交通流预测方法论文原稿不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及上下班高峰期，部分路段日渐拥堵。当机动车数量达到定程度的时候，原有的道路交通道路标志设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果，原因是由于机动车数量达到定程度以后，原有的道路交通设计已经不适合新的发展要求。般来说出现原，个输出。径向基神经网络模型通过计算软件进行交通流预测计算。采用数据是部分历史数据，过训练调整网络参数模型的权值。在权值得到以后，就可以利用相关路口对目标路口的交通流进行实时预测了。作者单位广东水粤智能科技公司广东省广州市摘要在现代交通控制中，交通流量预测是个重要基本环节，本文对其设计了径向基网络结合的方法来预测......”。

9、“.....它通常表示和之间的距离，在处有个唯的最大值，随着的增大，迅速衰减到零。对于给定的输入∈，只有小部分靠近的中心被激活。输入层实现从的非线形映射，输出层实现从到的线形映射，是输出节点数。即预测方法研究本文以径向基神经网络作为基础的预测模型，将相关路口历史交通流量数据作双曲正切函数等。神经网络是由大量简单神经元相互连结构成复杂网络系统。单个神经元的功能是有限的，只有用许多神经元按定的规则连接，构成神经网络才具有强大的功能。径向基函数神经网络由层组成。输入层节点只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线形函数。隐层节点中的作用函数对输入信号将在局部产下班高峰期，部分路段日渐拥堵。当机动车数量达到定程度的时候，原有的道路交通道路标志设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果......”。