【BP回归预测】基于鸟群算法优化BP神经网络实现交通流数据回归预测附matlab代码

​✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

在日益繁忙的工作生活中,交通出行占据的重要地位已经日益凸显.减缓交通拥堵,提高路网的使用效率,尽最大可能减少交通事故的发生概率,已经成为各个国家共识.路网交通流预测算法的进一步研究及应用,已经作为解决上述一系列问题的一个有效处理方案,在智能交通系统(Intelligent Transport Systems,ITS)扮演着日益重要的角色.为了使传统的BP神经网络算法能够适用于中时交通流预测,提出一种基于鸟群算法优化深层BP神经网络算法.将传统遗传算法优化的BP神经网络进行了优化和调整,分别在不同的隐含层数量,输入节点数量以及隐含层节点数量的条件下进行多次实验,从预测精度和运算效率两个方面综合考虑得到了针对中时交通流预测的最优神经网络结构.

⛄ 部分代码

%% 清空环境变量

clear all

close all

clc

tic

%% 加载数据

load daolushuju.mat

% 随机产生训练集和测试集

temp=randperm(size(NIR,1));

%temp=(1:112);

% 5. 数据反归一化

T_sim1 = mapminmax('reverse',t_sim1,ps_output);   %反归一化结果

%  相对误差error

error3 = abs(T_sim1 - T_test);

error4 = abs(T_sim1 - T_test)./T_test;

% 2. 决定系数R^2

R3 = (N * sum(T_sim1 .* T_test) - sum(T_sim1) * sum(T_test))^2 / ((N * sum((T_sim1).^2) - (sum(T_sim1))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

% 3. 结果对比

result = [T_test' T_sim1' error3'];     %输出真实值，预测值，误差

%% VI. 绘图

figure(3)

plot(1:N,T_test,'b:*',1:N,T_sim1,'g-o')

legend('评价值','测试值')

xlabel('测试样本')

ylabel('PQI')

string = {'BP道路数据测试结果对比';['R^2=' num2str(R3)]};

title(string)

%% VI. 绘图

figure(4)

plot(1:N,error3,'b:*',1:N,error1,'g-o')

legend('BP绝对误差','BAS-BP绝对误差')

xlabel('测试样本')

ylabel('绝对误差')

⛄ 运行结果

⛄ 参考文献

[1] 赵怀柏, 王逸凡, 宋晓鹏. 基于遗传算法优化BP神经网络的交通流预测[J]. 交通与运输, 2017(A02):5.

[2] 季雪美. 基于优化的BP神经网络的短时交通流预测算法研究[D]. 青岛大学.

[3] 王京. Bp神经网络与多重线性回归在住院费用中建模比较研究. 河北联合大学, 2011.

⛳️ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料