基于神经网络的公路运量预测

最新推荐文章于 2024-07-15 16:15:55 发布

curing啊

最新推荐文章于 2024-07-15 16:15:55 发布

阅读量579

点赞数 2

文章标签：神经网络 php 人工智能

本文链接：https://blog.csdn.net/qq_52662655/article/details/131920396

版权

问题描述
公路运量主要包括公路客运量和公路货运量两个方面。据研究,某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表2-1给出了某地区20年的公路运量相关数据。
根据相关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆,公路面积分别为0.988 0和1.026 8万平方公里。请利用BP网络预测该地区2010年和2011年的公路客运量和公路货运量。
概要设计
把问题分成以下6个模块进行处理:
①原始数据的输入；
②数据归一化；
③网络训练；
④对原始数据进行仿真；
⑤将原始数据仿真的结果与已知样本进行对比；
⑥对新数据进行仿真。
详细设计
MATLAB应用于BP神经网络进行货运量组合预测计算，其主要计算步骤如下。
3.1数据预处理
由于神经元的响应函数为Sigmoid函数，因此输入值(输出值)都在(0,1)之间，必须对样本进行预处理。具体可以采用下式对单项预测值进行预处理：
y=0.6+0.3(X-Xmax) (6)
输出值的处理为:
X=(Y-0.6)Xmax/0.3 (7)
据式(7)进行处理之后，即可得到预测值。
3.2确定网络结构，初始化权重
确定网络结构主要是确定隐层的神经元个数。隐层神经元个数太多会降低网络的泛化功能，而且会使训练时间加长，降低系统的效率；太少则不能达到所要求的训练误差。一般根据试算确定，也可以参考以下公式：，其中l为隐层神经元个数，n、m分别为输入神经元个数和输出神经元个数。
初始化网络的权值和阈值,可以采用MATLAB提供的初始化函数newff()建立一个BP神经网络：=net=newff(P，[S1，S2 …，SN],[TF1,TF2，…， TN1]，BTF，BLF ，PF)
式中，P为输入矩阵；[S1 ,，S2，…，SV]表示隐含层和输出层神经元的个数；[TF1 ，TF2，…， TN1]表示网络隐含层和输出层的传输函数；BTF表示网络的反向训练函数；BLF表示网络的反向权值学习函数；PF表示性能数；net为新生成的BP神经网络。
3.3网络训练
MATLAB提供了许多训练不同神经网络的函数，使得对神经网络的训练变得异常简单，其中，由动量的梯度下降法中附以自适应Ir的训练函数为traingdx，函数的结构为：
net=newff(P，[S1 , S2 ,…,SN]，[TF1 ,TF2 ,…, T’N1]。‘traingdx’)
其中，net，P，[S1 , s2 ,…,SN]，[TF1,TF2,…，TN1]的意义同上。当网络的训练达到了最大训练次数，或者是网络的误差平方和小于期望最小误差值时，网络就会停止训练。
3.4 对训练好的网络进行检验，判断是否具有良好的泛化功能
把样本输入训练好的网络中，判断输出值是否与已知的样本值相符，如果相符，即说明该网络具有很好的泛化功能，能够应用于预测计算；否则，就要调整网络，或者增大训练的样本数，对网络进行再次训练。该过程可以采用MATLAB中的函数sim ()来实现。sim的表达式为：A =sim ( net , P) ,其中，A为输出数据，P为输入样本数据，其他参数意义同前。该过程还可以用传递函数分步实现。
3.5用训练好的网络进行模拟预测，得到所要的预测值
模拟预测的过程和所采用的函数同2.2.4节，所不同的是输入数据P为要预测的输入数据，输出数据A就是所要得到的预测数据。

function main()
clc             % 清屏
clear all;      % 清除内存以便加快运算速度
close all;      % 关闭当前所有figure图像
warning off;    % 屏蔽没有必要的警告
SamNum=20;      % 输入样本数量为20
TestSamNum=20;  % 测试样本数量也是20
ForcastSamNum=2;% 预测样本数量为2
HiddenUnitNum=8;% 中间层隐节点数量取8
InDim=3;        % 网络输入维度为3
OutDim=2;       % 网络输出维度为2`
% 原始数据
% 人数
sqrs=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
% 机动车数量
sqjdcs=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];
% 公路面积
sqglmj=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
% 公路客运量
glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43467];
% 公路货运量
glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];
 
p=[sqrs;sqjdcs;sqglmj];  % 输入数据矩阵
t=[glkyl;glhyl];         % 目标数据矩阵
[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 原始样本对（输入和输出）初始化
 
rand('state',sum(100*clock));   % 依据系统时钟种子产生随机数
NoiseVar=0.01;                  % 噪声强度为0.01（添加噪声的目的是为了防止网络过度拟合）
Noise=NoiseVar*randn(2,SamNum); % 生成噪声
SamOut=tn+Noise;                % 将噪声添加到输出样本上
 
TestSamIn=SamIn;                % 这里取输入样本与测试样本相同，因为样本容量偏少
TestSanOut=SamOut;              % 也取输出样本与测试样本相同
 
MaxEpochs=50000;                % 最多训练次数为50000
lr=0.035;                       % 学习速率为0.035     
E0=0.65*10^(-3);                % 目标误差为0.65*10^(-3)
W1=0.5*rand(HiddenUnitNum,InDim)-0.1;% 初始化输入层与隐含层之间的权值
B1=0.5*rand(HiddenUnitNum,1)-0.1;% 初始化输入层与隐含层之间的权值
W2=0.5*rand(OutDim,HiddenUnitNum)-0.1;% 初始化输出层与隐含层之间的权值
B2=0.5*rand(OutDim,1)-0.1;% 初始化输出层与隐含层之间的权值
 
ErrHistory=[];  % 给中间变量预先占据内存
for i=1:MaxEpochs          
    HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum)); % 隐含层网络输出
    NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);   %输出层网络输出
    Error=SamOut-NetworkOut;  % 实际输出与网络输出之差
    SSE=sumsqr(Error);   % 能量函数(误差平方和)
    ErrHistory=[ErrHistory SSE];
    if SSE<E0,break,end  % 如果达到误差要求则跳出学习循环
    
    % 以下6行是BP网络最核心的程序
    % 它们是权值（阙值）依据能量函数负梯度下降原理所做的每一步动态调整
    Delta2=Error;
    Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);
    % 对输出层与隐含层之间的权值和阙值进行修正
    dW2=Delta2*HiddenOut';
    dB2=Delta2*ones(SamNum,1);
    % 对输入层与隐含层之间的权值和阙值进行修正
    dW1=Delta1*SamIn';
    dB1=Delta1*ones(SamNum,1);
    
    W2=W2+lr*dW2;
    B2=B2+lr*dB2;
    
    W1=W1+lr*dW1;
    B1=B1+lr*dB1;
    
end
 
HiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum));  % 隐含层输出最终结果
NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum);     % 输出层输出最终结果
a=postmnmx(NetworkOut,mint,maxt);                    % 还原网络输出层的结果
x=1990:2009;                                         % 时间轴刻度
newk=a(1,:);                                         % 网络输出客运量
newh=a(2,:);                                         % 网络输出货运量
figure;
subplot(2,1,1);plot(x,newk,'r-o',x,glkyl,'b--+');  % 绘制公路客运量对比图
legend('网络输出客运量','实际客运量');
xlabel('年份'); ylabel('客运量/万人');
title('源程序神经网络客运量学习和测试对比图');
 
subplot(2,1,2);plot(x,newh,'r-o',x,glhyl,'b--+');  % 绘制公路货运量对比图
legend('网络输出货运量','实际货运量');
xlabel('年份'); ylabel('货运量/万人');
title('源程序神经网络货运量学习和测试对比图');
 
% 利用训练好的数据进行预测
% 当用训练好的网络对新数据pnew进行预测时，也应做相应的处理
pnew=[73.39 75.55 
    3.9635 4.0975
    0.9880 1.0268];   % 2010年和2011年的相关数据
pnewn=tramnmx(pnew,minp,maxp);  %利用原始输入数据的归一化参数对新数据进行归一化
HiddenOut=logsig(W1*pnewn+repmat(B1,1,ForcastSamNum));  % 隐含层输出预测结果
anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);          % 输出层输出预测结果
% 把网络预测得到的数据还原为原始的数量级
format short
anew=postmnmx(anewn,mint,maxt)

BP神经网络的运用极其广泛，并且在很多领域都很实用，BP网络对于非线性的模仿能力很强，这也是它能够广泛运用的重要原因。