神經網絡模型在公路客運量預測的應用范文

本站小編為你精心準備了神經網絡模型在公路客運量預測的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:

用PCA-BP神經網絡模型對公路客運量進行預測，預測精度與收斂速度都不是很理想，為克服PCA-BP神經網絡算法存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，提出將PCA-BP神經網絡模型與動態陡度因子、附加動量因子和動態調整學習率算法結合的方法，給出具體的網絡學習方法，并結合實際調查數據進行對比測試，分析結果證明了改進型PCA-BP神經網絡模型對公路客運量預測有效性．

關鍵詞:

PCA-BP神經網絡;動態陡度因子;動態調整學習率算法;客運量;預測

公路客運量預測屬于復雜非線性系統問題，早期的預測方法主要有多元線性回歸預測模型、自回歸模型、自回歸滑動平均模型、指數平滑預測模型等．SherifIshak等［1］應用實時數據分析和評價了幾種交通客運量預測模型的效果;孫煦、陸化普［2］等對公路客運量預測難以建立精確預測模型的問題，引入基于蟻群優化的支持向量機算法對公路客運量進行預測．這些方法可以實現交通客運量的預測工作，但缺點是沒有擺脫建立精確數學模型的困擾，其預測效果很大程度上取決于參數的選取，并且非線性擬合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神經網絡模型進行預測，證明神經網絡得到的結果的精確性較傳統預測模型高．董春嬌［6］等在傳統的BP(BackPropa-gation)神經絡算法中有所改進，采用Elman神經網絡的交通流短時預測，通過在前饋網絡的隱含層中增加一個承接層，作為延時算子使系統具有適應時變特性的能力．在公路客運量的預測方面，神經網絡應用較多，但傳統的BP神經網絡存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，而且預測結果影響因素分析較少，對預測指標的選取沒有進行全面充分的系統考慮．本文在PCA(PrincipleComponentAnalysis)與BP神經網絡相結合構成PCA-BP網絡模型的基礎上，將動態陡度因子、附加動量因子和動態調整學習率等方法融入模型的運作過程，進一步完善算法，提出改進PCA-BP神經網絡模型，并將其運用到公路客運量的預測．

1PCA-BP模型的基本原理

公路客運量受人口總數、區域經濟發展水平、居民消費水平等多種因素影響．在用BP神經網絡進行模擬預測時，首先要確定對預測指標有影響的主要因素(即系統輸入)．運用PCA-BP神經網絡模型可以實現減少輸入變量個數，達到降維目的，并使其包含原輸入變量群的絕大部分信息，從而提高神經網絡的運行效率和預測精度．PCA-BP神經網絡模型流程見圖1．

1．1PCA原理［7］在所有的線性組合中選取方差最大的p1為第一主成分．若p1不足以代表原來的m個指標的信息，則選取p2即第二個線性組合．

1．2BP神經網絡原理模型拓撲結構有三層，即輸入層、隱含層和輸出層，同一層的節點之間相互不關聯，異層的神經元間前向連接．當一對樣本學習模式提供網絡后，神經元的激活值從輸入層經中間層向輸出層傳播，在輸出層各神經元獲得網絡的輸入響應．之后，按減少希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，最后到輸入層．

2改進PCA-BP神經網絡模型的思想

本文基于PCA-BP神經網絡模型，采用動態陡度因子、附加動量因子和動態調整學習率算法，將網絡模型進行優化，最后將降維的樣本集合和優化的權值代入網絡，在經過PCA-BP神經網絡訓練之后，用檢驗樣本集合對其進行檢驗．

2．1附加動量法傳統BP算法在調整權值時，只按照當前時刻的負梯度方向調整，沒有考慮到以前各次運算中的梯度方向，導致新樣本對迭代過程的影響太大，會導致數據訓練過程中調整方向發生振蕩，導致不穩定和收斂速度慢．附加動量的BP算法［10］考慮了以前時刻的貢獻，其權值迭代公式如下所示。

2．2動態調整學習率［8］傳統BP模型中，學習率是固定的．學習率對模型運算性能影響較大，動態的學習率可以改善訓練算法的性能．學習率η與誤差函數相關聯，在網絡的每一步學習過程中動態調整η的值，對不同的誤差質的變化，每一步學習后學習率都進行相應的調整．

3改進PCA-BP模型的預測流程

3．1網絡初始化對所得的社會經濟指標進行主成分分析，得出輸入節點數與輸出節點數m，n;采用經驗公式確定節點數的上下限，隱節點數的上限作為初始隱節點數l．初始化輸入層、隱含層和輸出層各神經元間權值wij，wjk．隱含層閾值a，輸出層閾值b;給定初始化的學習速率η;網絡輸入和輸出為(X，Y)．

3．2計算隱含層輸出根據給定的輸入向量X，輸入層和隱含層間連接權值wij以及隱含層閥值a，計算隱含層輸出H.

4改進PCA-BP模型在城市交通流預測中的實際應用

為驗證模型預測效果，選取山東濰坊市1996年至2005年10個樣本為學習樣本，將2006至2012年7個樣本作為檢驗樣本，數據見表1．利用SPSS統計工具，對數據進行因子分析，根據實驗和經驗［11］，公式中的參數可以設定為a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．選取特征值大于1的作為主成分，可以發現當取到3個主成分，其累積貢獻率達86．26%＞80%，滿足要求，即神經網絡的輸入節點為3個．將各個參數代入模型之后可以得出:P0=90，Pmin=0．1．結果如表2、表3所示．經主成分分析，可以確定出神經網絡的輸入節點為3個，即:第一個主成分分數=0.208×總人口數－0.102×人均旅行次數－0.112×居民消費指數+0.202×居民消費水平+0.162×機動車保有量+0.212×地區生產總值+0.119×人口密度+0.217×消費總額;第二個主成分分數=0.241×總人口數+0.305×人均旅行次數+0.219×居民消費指數－0.210×居民消費水平－0.253×機動車保有量+0.249×地區生產總值－0.075×人口密度+0.253×消費總額;第三個主成分分數=－0．160×總人口數－0．090×人均旅行次數+0．840×居民消費指數+0．222×居民消費水平－0．097×機動車保有量－0．114×地區生產總值+0．651×人口密度－0.077×消費總額;運用MATLAB等軟件分別對傳統PCA－BP神經網絡以及改進型PCA-BP神經網絡模型進行運算．后七年的公路客運量實際值與預測值數據比較見圖3．從上述表格數據可知，改進型PCA-BP模型的迭代次數2361次，準確率為88．91%比傳統的PCA-BP模型更為理想，預測效果較好．

5結論

本文將傳統的PCA-BP神經網絡模型進行改進，將附加動量因子、動態陡度因子、動態調整學習率算法等方法加入模型，使改進后模型不僅對預測指標進行全面充分的系統考慮，而且有效解決BP神經網絡存在的非線性逼近、迭代次數過多，易陷入局部極值等缺點，并把預測結果與傳統PCA-BP神經網絡預測結果相比較，從結果看出，不僅預測精度有了提高，而且收斂速度也得到加快．由此可見，改進PCA-BP神經網絡比傳統的PCA-BP模型更具優越性，能較好的得到預測結果，可以為相關企業和部門的決策提供一定的技術支持．

作者：王浩 郭瑞軍 單位：大連交通大學 交通運輸工程學院