本人毕业设计是
基于遗传算法优化的城市公交系统车站客流量预测
在学习过程中
不断积累经验并优化改进模型
学习完后
认为遗传神经网络预测模型
可以在大多专业领域应用实现预测效果
通俗地总结分享一下
自己最满意的流程和方法供小白参考
有误请指正和讨论
(以下特征数据只是测试GABP算法的效果,结果是预测我国所有城市公交客流量总和而分析搜集的特征数据,非本人论文预测项目,若要预测某个数据,只要分析出影响该数据的特征并搜集其对应特征的数据,再多次调试参数,即可实践应用实现出理想的预测效果)
目录
导入特征数据和目标数据
自行分析整理出
影响目标数据的因素作为特征数据
每一个因素为一个特征种类
每一个特征需要多个样本数据来反映
☆☆☆☆☆
根据分析
有5个特征会影响到城市公交车站客流量
分别为:
机动车数量、公共汽电车数量、公共汽电车线路数量、公共汽电车线路网里程、公共汽电车运营里程
于是
统计整理了这5个特征的相关数据
作为预测模型的特征数据(输入数据)
并且
将预测数据同类的样本特征数据-已知的客流量
作为目标数据(1组)
然后
为了应用训练好的神经网络
准备了所需预测数据的预测特征数据(1组)
来实现预测模型预测-未知的客流量
clear;
clc;
%导入数据
data1=[1.87,2.07,2.25,2.4,2.5,2.64,2.7,2.9,3.1,3.25,3.4,3.72,3.95];%2009年~2021年的机动车数量/(亿辆)
data2=[41.19,42.05,45.33,47.49,50.96,52.88,56.18,60.86,65.12,67.34,69.33,70.44,70.94];%2009年~2021年的公共汽电车数量/(万辆)
data3=[25460,32237,35884,38243,41738,45052,48905,52789,56786,60590,65730,70643,75770];%2009年~2021年的公共汽电车线路数/(条)
data4=[28.92,63.37,67.29,71.46,74.89,81.78,89.43,98.12,106.9,119.9,133.6,148.21,159.38];%2009年~2021年的公共汽电车线路网里程/(万公里)
data5=[186.63,317.86,331.73,346.82,348.96,346.69,352.33,358.32,355.2,346.1,354.13,302.79,335.27];%2009年~2021年的公共汽电车运营里程/(亿公里)
data6=[742.91,670.12,715.79,749.8,771.17,781.88,765.4,745.23,722.87,697,691.76,442.36,489.16];%2009年~2021年的公共汽电车客流量/(亿人次)
newdata=[4.17;67.45;79955;171.31;330];%每个值分别为2022年的:机动车数量、公共汽电车数量、线路数、线路网里程、运营里程
P=[data1;data2;data3;data4;data5]; %特征数据
T=data6; %目标数据
使用mapminmax函数对数据归一化处理
具体用法及原理
学习MATLAB官方帮助文档mapminmax
后面还要对预测特征数据归一化处理
此时,使用mapminmax的'apply'命令
调用特征数据归一化得到的结构体PS1
完成归一化处理
[P_regular,PS1]=mapminmax(P,-1,1);
[T_regular,PS2]=mapminmax(T,-1,1);
提取数据特征数量
input_num=size(P,1); %输入特征个数
output_num=size(T,1); %输出特征个数
设置遗传算法参数
iter_num=300; %进化迭代次数
group_num=100; %种群规模
cross_pro=0.625; %交叉概率
mutation_pro=0.05; %变异概率,相对来说比较小
设置两层隐藏层的神经元个数
hidden_num1=8; %第一层隐藏层神经元个数
hidden_num2=6; %第二层隐藏层神经元个数(比第一层小)
计算整个网络层的节点数之和
总结点数=输入特征数×第一层隐藏层节点数+第一层隐藏层节点数+第一层隐藏层节点数×第二层隐藏层节点数+第二层隐藏层节点数+...+第n层隐藏层节点数+第n层隐藏层节点数×第n+1层隐藏层节点数+第n+1层隐藏层节点数+第n+1层隐藏层节点数×输出特征数+输出特征数。
☆☆☆☆☆
以下是2层隐藏层的网络层节点数之和
num_all=input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+...
+hidden_num2+hidden_num2*output_num+output_num; %节点总数
设置种群长度和初始参数范围
lenchrom=ones(1,num_all); %种群总长度
limit=[-1*ones(num_all,1) 1*ones(num_all,1)]; %初始参数给定范围
遗传算法部分
主要思想就是
优化神经网络的权重和阈值(偏置)初始选择
其初始选择
对于神经网络的预测效果好坏
是有较大影响的
流程框架
流程代码
%% 实验开始
TIME=[];
num_iter_all=5; %实验次数
input_data=P_regular;
output_data=T_regular;
test=[];
EMS_all=[];
titlestr=['实验运行中,请稍等......'];
mm=waitbar(0,titlestr);%实验循环进度条
set(mm,'Position',[245 376.8750 270 56.2500])
for NN=1:num_iter_all
t1=clock;%每次实验开始的时间
str=['实验运行第',num2str(NN),'次中,请稍等......'];
waitbar(NN/num_iter_all,mm,str); %实验进度条
%% 基因编译
for i=1:group_num
initial=rand(1,length(lenchrom)); %产生0-1的随机数
initial_chrom(i,:)=limit(:,1)'+(limit(:,2)-limit(:,1))'.*initial; %变成染色体的形式,一行为一条染色体
fitness_value=fitness(initial_chrom(i,:),input_num,hidden_num1,hidden_num2,output_num,input_data,output_data);%计算初始适应度
fitness_group(i)=fitness_value;
end
[bestfitness,bestindex]=min(fitness_group);
bestchrom=initial_chrom(bestindex,:); %最好的染色体
avgfitness=sum(fitness_group)/group_num; %染色体的平均适应度
trace=[avgfitness bestfitness]; % 记录每一代进化中最好的适应度和平均适应度
%% 迭代过程
input_chrom=initial_chrom;
titlestr=['GA迭代中,请稍等......'];
kk=waitbar(0,titlestr);%遗传迭代循环进度条
set(kk,'Position',[925 376.8750 270 56.2500])
for num=1:iter_num
str=['GA迭代第',num2str(num),'次中,请稍等......',num2str(num/iter_num*100),'%'];
waitbar(num/iter_num,kk,str); %GA迭代进度条
% 选择
[new_chrom,new_fitness]=select(input_chrom,fitness_group,group_num); %把表现好的挑出来,还是和种群数量一样
% 交叉
new_chrom=Cross(cross_pro,lenchrom,new_chrom,group_num,limit);
% 变异
new_chrom=Mutation(mutation_pro,lenchrom,new_chrom,group_num,num,iter_num,limit);
% 计算每次迭代后的适应度
for j=1:group_num
sgroup=new_chrom(j,:); %个体
new_fitness(j)=fitness(sgroup,input_num,hidden_num1,hidden_num2,output_num,input_data,output_data);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(new_fitness);
[worestfitness,worestindex]=max(new_fitness);
% 代替上一次进化中最好的染色体
if newbestfitness<bestfitness
bestfitness=newbestfitness;
bestchrom=new_chrom(newbestindex,:);
end
new_chrom(worestindex,:)=bestchrom;
new_fitness(worestindex)=bestfitness;
avgfitness=sum(new_fitness)/group_num;
trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
close(kk)
%% 绘制适应度曲线图并保存
h=figure('visible','off');
[r ,~]=size(trace);
plot((1:r)',trace(:,2),'b--');
titlestr=['适应度曲线 ','终止代数=',num2str(iter_num),' 第',num2str(NN),'次实验优化'];
title(titlestr);
xlabel('进化代数');ylabel('适应度');
legend('最佳适应度');
set(gca,'xlim',[0,iter_num])
titlestr=['第',num2str(NN),'次实验GA适应度'];
print(h,'-dpng',titlestr)
%% 把遗传算法优化的最优初始阀值权值赋予网络预测
%构建网络结构
net=newff(P_regular,T_regular,[hidden_num1 hidden_num2],{'tansig','tansig','purelin'},'trainlm');
%权值初始化
w1=bestchrom(1:input_num*hidden_num1); %输入层和第一层隐藏层之间的权重参数
B1=bestchrom(input_num*hidden_num1+1:input_num*hidden_num1+hidden_num1); %第一层隐藏层神经元的偏置
w2=bestchrom(input_num*hidden_num1+hidden_num1+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2); %第一层隐藏层和第二层隐藏层之间的权重参数
B2=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2); %第二层隐藏层神经元的偏置
w3=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num);%第二层隐藏层和输出层之间的权值参数
B3=bestchrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+output_num);%输出层神经元的偏执
%网络权值赋值
net.iw{1,1}=reshape(w1,hidden_num1,input_num);
net.lw{2,1}=reshape(w2,hidden_num2,hidden_num1);
net.lw{3,2}=reshape(w3,output_num,hidden_num2);
net.b{1}=reshape(B1,hidden_num1,1);
net.b{2}=reshape(B2,hidden_num2,1);
net.b{3}=reshape(B3,output_num,1);
% 设置训练参数
net.trainParam.lr=0.001; %学习率
net.trainParam.goal=0.001; %目标误差
net.trainParam.epochs=4000; %最大迭代次数
%% 调用神经网络工具箱开始训练
num=40; %训练次数
ems_all=[];
Test=[];
titlestr=['BP训练中,请稍等......'];
nn=waitbar(0,titlestr);%训练循环进度条
set(nn,'Position',[925 376.8750 270 56.2500])
for i=1:num
str=['BP训练第',num2str(i),'次中,请稍等......',num2str(i/num*100),'%'];
waitbar(i/num,nn,str); %训练进度条
%调用trainlm算法训练网络
[net,tr]=train(net,P_regular,T_regular);
%放入到网络输出数据
A=sim(net,P_regular); %训练数据
% 更新每次训练后的网络权值和阈值
w1=net.iw{1,1};
w2=net.lw{2,1};
w3=net.lw{3,2};
B1=net.b{1};
B2=net.b{2};
B3=net.b{3};
%利用训练好的网络进行预测
%导入2022特征数据
nP=newdata;
nP_num=size(nP,2);
%数据归一化处理
nP_regular=mapminmax('apply',nP,PS1);
%输出预测结果
Hidden1_Out=tansig(w1*nP_regular+repmat(B1,1,nP_num)); %第一层隐藏层
Hidden2_Out=tansig(w2*Hidden1_Out+repmat(B2,1,nP_num));%第二层隐藏层
nT_regular=purelin(w3*Hidden2_Out+repmat(B3,1,nP_num));%输出层
B=[A';nT_regular']';
%将得到的数据反归一化得到预测数据
a=mapminmax('reverse',B,PS2);
%计算每次实验误差
errors_nn=abs(a(:,1:13)-T);%每一年的误差人数
EcRMSE=sum(errors_nn./T)/length(errors_nn)*100;%每次实验的误差百分比
%存储每次网络训练数据并选择最优值
ems_all=[ems_all,EcRMSE];
Test=[Test;a];
[p,q]=min(ems_all); %q最小训练误差的次数
EcRMSE=p;%p最小训练误差值
a=Test(q,:);
end
close(nn)
%% 绘制每次BP误差曲线图并保存
h=figure('visible','off');
plot((1:num),ems_all,'b--');
titlestr=['误差曲线 ','终止代数=',num2str(num),' 第',num2str(NN),'次实验优化'];
title(titlestr);
xlabel('进化代数');ylabel('误差百分比/(%)');
legend('BP训练误差');
set(gca,'xlim',[0,num])
titlestr=['第',num2str(NN),'次实验BP误差'];
print(h,'-dpng',titlestr)
%% 存储每次实验相关数据
EMS_all=[EMS_all,EcRMSE];%存储每次实验误差
test=[test;a];
%% GA-BP迭代优化择优
%索引最小误差的实验次数
[m,n]=min(EMS_all);
a=test(n,:);
%% 每次实验所耗时间存储
t2=clock;%每次实验结束的时间
Time_all=etime(t2,t1);%实验所耗时间
TIME=[TIME,Time_all];%存储每次实验所耗时间
time=sum(TIME);%实验总共所耗时间计算
end
close(mm)
建模方法特点
关闭了遗传算法的适应度迭代图
和神经网络训练误差图
但保存在了MATLAB打开的文件夹里
☆☆☆☆☆
模型中对整个实验循环
(神经网络每次预测的值是不唯一的,选取实验误差最小的模型数据作为最终预测值)
遗传算法迭代循环、神经网络训练循环
设置了进度条显示
(循环次数设置的比较大,可以查看实验进程)
☆☆☆☆☆
在遗传算法优化模块中:
适应度计算函数
function fitness_value=fitness(input_chrom,input_num,hidden_num1,hidden_num2,output_num,input_data,output_data)
%该函数用来计算适应度值
%input_chrom 输入种群
%input_num 输入层的节点数,即数据特征数量
%output_num 隐含层节点数,隐藏层神经元的个数
%input_data 训练输入数据
%output_data 训练输出数据
%fitness_value 个体适应度值
w1=input_chrom(1:input_num*hidden_num1); %输入层和第一层隐藏层之间的权重参数
B1=input_chrom(input_num*hidden_num1+1:input_num*hidden_num1+hidden_num1); %第一层隐藏层神经元的偏置
w2=input_chrom(input_num*hidden_num1+hidden_num1+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2); %第一层隐藏层和第二层隐藏层之间的权重参数
B2=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2); %第二层隐藏层神经元的偏置
w3=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+1:input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num);%第二层隐藏层和输出层之间的权重参数
B3=input_chrom(input_num*hidden_num1+hidden_num1+hidden_num1*hidden_num2+hidden_num2+hidden_num2*output_num+1:end);%输出层神经元的偏置
%网络权值赋值
W1=reshape(w1,hidden_num1,input_num);
W2=reshape(w2,hidden_num2,hidden_num1);
W3=reshape(w3,output_num,hidden_num2);
B1=reshape(B1,hidden_num1,1);
B2=reshape(B2,hidden_num2,1);
B3=reshape(B3,output_num,1);
[~,n]=size(input_data);
A1=tansig(W1*input_data+repmat(B1,1,n)); %需与主函数中激活函数相同
A2=tansig(W2*A1+repmat(B2,1,n)); %需与主函数中激活函数相同
A3=purelin(W3*A2+repmat(B3,1,n)); %需与主函数中激活函数相同
error=sumsqr(output_data-A3);
fitness_value=error; %误差即为适应度
end
利用神经网络的权重和阈值
计算输入数据的预测值
从而计算适应度值=预测值与输出值差的平方和
其中:
输入层与第一层隐藏层之间的权重值w1=索引输入染色体值initial_chrom的范围(1:输入染色体的第1个到输入特征数目×第一层隐藏层节点数);
第一层隐藏层神经元的偏置B1=索引输入染色体值initial_chrom的范围(w1索引范围的末值+1:w1索引范围的末值+第一层隐藏层节点数);
第一层隐藏层和第二层隐藏层之间的权重值w2=索引输入染色体值initial_chrom的范围(B1索引范围的末值+1:B1索引范围的末值+第一层隐藏层节点数×第二层隐藏层节点数);
第二层隐藏层神经元的偏置B2=索引输入染色体值initial_chrom的范围(w2索引范围的末值+1:w2索引范围的末值+第二层隐藏层节点数);
第二层隐藏层和输出层之间的权重值w3=索引输入染色体值initial_chrom的范围(B2索引范围的末值+1:B2索引范围的末值+第二层隐藏层节点数);
输出层神经元的偏置B3=索引输入染色体值initial_chrom的范围(w3索引范围的末值+1:end);
☆☆☆☆☆
以上权重和偏置的各索引
范围必须设置正确
否则后面的网络权值reshape重组时
与网络结构不匹配会报错
(后面神经网络中初始权重和偏置的索引范围同理)
选择操作函数
function [new_chrom,new_fitness]=select(input_chrom,fitness_group,group_num)
% 用轮盘赌在原来的函数里选择
% fitness_group 种群信息
% group_num 种群规模
% newgroup 选择后的新种群
%求适应度值倒数
fitness1=10./fitness_group; %individuals.fitness为个体适应度值
%个体选择概率
sumfitness=sum(fitness1);
sumf=fitness1./sumfitness;
%采用轮盘赌法选择新个体
index=[];
for i=1:1000 %group_num为种群数
pick=rand;
while pick==0
pick=rand;
end
for j=1:group_num
pick=pick-sumf(j);
if pick<0
index=[index j];
break;
end
end
if length(index) == group_num
break;
end
end
%新种群
new_chrom=input_chrom(index,:);
new_fitness=fitness_group(index);
end
交叉操作函数
function new_chrom=Cross(cross_pro,lenchrom,input_chrom,group_num,limit)
%随机选择两个染色体位置交叉
% cross_pro 交叉概率
% lenchrom 染色体的长度,即所有参数的数量
% input_chrom 染色体群,经过选择遗传下来的表现比较好的
% group_num 种群规模
% new_chrom 交叉后的染色体
for i=1:group_num %每一轮for循环中,可能会进行一次交叉操作,染色体是随机选择的,交叉位置也是随机选择的,
%但该轮for循环中是否进行交叉操作则由交叉概率决定(continue控制)
pick=rand(1,2); % 随机选择两个染色体进行交叉
while prod(pick)==0 %连乘
pick=rand(1,2);
end
index=ceil(pick.*group_num); % 交叉概率决定是否进行交叉
pick=rand;
while pick==0
pick=rand;
end
if pick>cross_pro
continue;
end
% 随机选择交叉位
pick=rand;
while pick==0
pick=rand;
end
flag=0;
while flag==0
pos=ceil(pick*length(lenchrom)); %随机选择进行交叉的位置,即选择第几个变量进行交叉,注意:两个染色体交叉的位置相同
pick=rand; %交叉开始
v1=input_chrom(index(1),pos);
v2=input_chrom(index(2),pos);
input_chrom(index(1),pos)=pick*v2+(1-pick)*v1;
input_chrom(index(2),pos)=pick*v1+(1-pick)*v2; %交叉结束
%判断交叉后的两条染色体可不可行
limit1=mean(limit);
f11=isempty(find(input_chrom(index(1),:)>limit1(2), 1));
f12=isempty(find(input_chrom(index(1),:)<limit1(1), 1));
if f11*f12==0
flag1=0;
else
flag1=1;
end
f21=isempty(find(input_chrom(index(2),:)>limit1(2), 1));
f22=isempty(find(input_chrom(index(2),:)<limit1(1), 1));
if f21*f22==0
flag2=0;
else
flag2=1;
end
if flag1*flag2==0
flag=0;
else
flag=1;
end %如果两个染色体不是都可行,则重新交叉
end
end
new_chrom=input_chrom;
end
变异操作函数
function new_chrom=Mutation(mutation_pro,lenchrom,input_chrom,group_num,num,iter_num,limit)
% 本函数完成变异操作
% mutation_pro 变异概率
% lenchrom 染色体长度
% input_chrom 输入交叉过后的染色体
% group_num 种群规模
% iter_num 最大迭代次数
% limit 每个个体的上限和下限
% num 当前迭代次数
% new_chrom 变异后的染色体
for i=1:group_num %每一轮for循环中,可能会进行一次变异操作,染色体是随机选择的,变异位置也是随机选择的,
%但该轮for循环中是否进行变异操作则由变异概率决定(continue控制)
% 随机选择一个染色体进行变异
pick=rand;
while pick==0
pick=rand;
end
index=ceil(pick*group_num);
% 变异概率决定该轮循环是否进行变异
pick=rand;
if pick>mutation_pro
continue;
end
flag=0;
while flag==0
% 变异位置
pick=rand;
while pick==0
pick=rand;
end
pos=ceil(pick*sum(lenchrom)); %随机选择了染色体变异的位置,即选择了第pos个变量进行变异
pick=rand; %变异开始
fg=(pick*(1-num/iter_num))^2;
if pick>0.5
input_chrom(index,pos)=input_chrom(index,pos)+(limit(pos,2)-input_chrom(index,pos))*fg;
else
input_chrom(index,pos)=input_chrom(index,pos)-(input_chrom(index,pos)-limit(pos,1))*fg;
end %变异结束
limit1=mean(limit);
f1=isempty(find(input_chrom(index,:)>limit1(2)));
f2=isempty(find(input_chrom(index,:)<limit1(1)));
if f1*f2==0
flag=0;
else
flag=1;
end
end
end
new_chrom=input_chrom;
神经网络算法模块的设置
经过多次测试
第一层和第二层隐藏层的激活函数用‘tansig’
输出层的激活函数用‘purelin’
训练算法函数用‘trainlm’
预测效果是最好的
☆☆☆☆☆
网络的权重和阈值索引的是
遗传算法优化模块迭代进化后的最优值bestchrom
各权重和偏置索引最优值bestchrom的范围
同遗传算法中的适应度计算中的设置相同
☆☆☆☆☆
由于,神经网络的训练易陷入最小值
训练次数设置很大也不容易找到更优预测
所以,隐藏层数设置为2层、减少训练次数
同样能够完成优化
且隐藏层增加1层并不会对所耗时间有太大影响
整体模型预测
效果更好,消耗时间更短
☆☆☆☆☆
整个实验中
对遗传算法的每一代
适应度值、神经网络训练值、预测值、误差值
都进行了存储
并选择了最优值
使用mapminmax函数对得到的最优数据反归一化
使用mapminmax函数的返回命令'reverse'
调用归一化时得到的结构体PS2
完成最优数据反归一化
⭐⭐⭐⭐⭐
绘制实验误差曲线图
实际值与预测值曲线图
设置实验结果提示窗口
%% 提取2022年的预测数据
Ab=a(1,14);
disp('2022年的预测客流量为:')
disp(Ab)
%% 绘制曲线图
%绘制GA-BP误差曲线
figure('visible','on');
plot(EMS_all,'LineWidth',2)
xlabel('实验优化次数')
ylabel('误差')
titlestr=('GA-BP实验误差曲线');
title(titlestr)
%绘制目标数据与预测数据曲线图
figure
x1=2009:1:2021;%实际值年份
x2=2009:1:2022;%预测值年份
axy3=plot(x1,T,'b-','linewidth',1);
hold on
axy4=plot(x2,test(n,:),'r--.','linewidth',1);
xlabel('年份')
ylabel('客流量/亿人次')
titlestr=['GABP遗传神经网络算法预测——我国城市公交系统车站客流量',' 误差:',num2str(m),'%',' 2022年预测客流量为:',num2str(Ab),'亿人次'];
title(titlestr)
set(gca,'xtick',2009:1:2022);
legend([axy3(1),axy4(1)],'真实数据','预测数据')
axis([2009 2022 400 800])
grid on
%% 绘制结果提示窗口
titlestr1=['实验',num2str(num_iter_all),'次','所耗时间:',num2str(time),' 秒',' 最小误差为: 第 ',num2str(n(1)),' 次的 ',num2str(m(1)),'%'];
titlestr2=['2022年预测客流量为 : ',num2str(Ab),' 亿人次'];
disp(titlestr1)
disp(titlestr2)
h=msgbox({titlestr1;titlestr2},'GA-BP模型预测结果');
% 文本居中
th = findall(0, 'Tag','MessageBox' );
boxPosition = get(h,'position');
textPosition = get(th, 'position');
set(th, 'position', [boxPosition(3).*0.5 textPosition(2) textPosition(3)]);
set(th, 'HorizontalAlignment', 'center');
运行结果图
仅供学习参考