本研究旨在撞髙交通状态判别与预测的效果,在分析各类交通数据的基础上,釆用先进机器学习方法,并有机结合特征选择、参数优化等理论方法,对交通状态判别与预测方法展开琛入研究,主要研究内容及成粜如下:基于RBF神经网络的交通流缺失数据修复方法神经网络用于交通流领域研究的优势在于神经网络能够简化研究模型时的建模过程,尤其是针对交通流的非线性特征,对于复杂的非线性问题具有良好的解决能力。研究发现,RBF神经网络具有自组织、自学习、自适应的功能,不会出现局部极小值问题,对非线性的连续函数具有一直逼近性,训练速度较快,同时它可以对数据进行大范围的融合,髙速处理数据。因此,本文以RBF神经网络为主体构建了交通流预测模型,随后利用模型预测值修复交通流缺失数据。为了验证其可行性和精确度,本文将提出的模型与元非线性回归模型以及BP神经网络模型的修复精度进行了对比,结果表明本文提出的基于KEF神经网络的模型对于交通梳缺失数据的修复效果更好。基于小波和 改进 BP 神 经 网 络 的 交通事件 自 动 检铡 方法本文在研究基础 上提出 了一种 基于小波和 改进 B P 神 经 网 络 进行道路......