神经网络模型在公路客运量预测的应用范文

本站小编为你精心准备了神经网络模型在公路客运量预测的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要:

用PCA-BP神经网络模型对公路客运量进行预测，预测精度与收敛速度都不是很理想，为克服PCA-BP神经网络算法存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，提出将PCA-BP神经网络模型与动态陡度因子、附加动量因子和动态调整学习率算法结合的方法，给出具体的网络学习方法，并结合实际调查数据进行对比测试，分析结果证明了改进型PCA-BP神经网络模型对公路客运量预测有效性．

关键词:

PCA-BP神经网络;动态陡度因子;动态调整学习率算法;客运量;预测

公路客运量预测属于复杂非线性系统问题，早期的预测方法主要有多元线性回归预测模型、自回归模型、自回归滑动平均模型、指数平滑预测模型等．SherifIshak等［1］应用实时数据分析和评价了几种交通客运量预测模型的效果;孙煦、陆化普［2］等对公路客运量预测难以建立精确预测模型的问题，引入基于蚁群优化的支持向量机算法对公路客运量进行预测．这些方法可以实现交通客运量的预测工作，但缺点是没有摆脱建立精确数学模型的困扰，其预测效果很大程度上取决于参数的选取，并且非线性拟合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神经网络模型进行预测，证明神经网络得到的结果的精确性较传统预测模型高．董春娇［6］等在传统的BP(BackPropa-gation)神经络算法中有所改进，采用Elman神经网络的交通流短时预测，通过在前馈网络的隐含层中增加一个承接层，作为延时算子使系统具有适应时变特性的能力．在公路客运量的预测方面，神经网络应用较多，但传统的BP神经网络存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，而且预测结果影响因素分析较少，对预测指标的选取没有进行全面充分的系统考虑．本文在PCA(PrincipleComponentAnalysis)与BP神经网络相结合构成PCA-BP网络模型的基础上，将动态陡度因子、附加动量因子和动态调整学习率等方法融入模型的运作过程，进一步完善算法，提出改进PCA-BP神经网络模型，并将其运用到公路客运量的预测．

1PCA-BP模型的基本原理

公路客运量受人口总数、区域经济发展水平、居民消费水平等多种因素影响．在用BP神经网络进行模拟预测时，首先要确定对预测指标有影响的主要因素(即系统输入)．运用PCA-BP神经网络模型可以实现减少输入变量个数，达到降维目的，并使其包含原输入变量群的绝大部分信息，从而提高神经网络的运行效率和预测精度．PCA-BP神经网络模型流程见图1．

1．1PCA原理［7］在所有的线性组合中选取方差最大的p1为第一主成分．若p1不足以代表原来的m个指标的信息，则选取p2即第二个线性组合．

1．2BP神经网络原理模型拓扑结构有三层，即输入层、隐含层和输出层，同一层的节点之间相互不关联，异层的神经元间前向连接．当一对样本学习模式提供网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层各神经元获得网络的输入响应．之后，按减少希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，最后到输入层．

2改进PCA-BP神经网络模型的思想

本文基于PCA-BP神经网络模型，采用动态陡度因子、附加动量因子和动态调整学习率算法，将网络模型进行优化，最后将降维的样本集合和优化的权值代入网络，在经过PCA-BP神经网络训练之后，用检验样本集合对其进行检验．

2．1附加动量法传统BP算法在调整权值时，只按照当前时刻的负梯度方向调整，没有考虑到以前各次运算中的梯度方向，导致新样本对迭代过程的影响太大，会导致数据训练过程中调整方向发生振荡，导致不稳定和收敛速度慢．附加动量的BP算法［10］考虑了以前时刻的贡献，其权值迭代公式如下所示。

2．2动态调整学习率［8］传统BP模型中，学习率是固定的．学习率对模型运算性能影响较大，动态的学习率可以改善训练算法的性能．学习率η与误差函数相关联，在网络的每一步学习过程中动态调整η的值，对不同的误差质的变化，每一步学习后学习率都进行相应的调整．

3改进PCA-BP模型的预测流程

3．1网络初始化对所得的社会经济指标进行主成分分析，得出输入节点数与输出节点数m，n;采用经验公式确定节点数的上下限，隐节点数的上限作为初始隐节点数l．初始化输入层、隐含层和输出层各神经元间权值wij，wjk．隐含层阈值a，输出层阈值b;给定初始化的学习速率η;网络输入和输出为(X，Y)．

3．2计算隐含层输出根据给定的输入向量X，输入层和隐含层间连接权值wij以及隐含层阀值a，计算隐含层输出H.

4改进PCA-BP模型在城市交通流预测中的实际应用

为验证模型预测效果，选取山东潍坊市1996年至2005年10个样本为学习样本，将2006至2012年7个样本作为检验样本，数据见表1．利用SPSS统计工具，对数据进行因子分析，根据实验和经验［11］，公式中的参数可以设定为a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．选取特征值大于1的作为主成分，可以发现当取到3个主成分，其累积贡献率达86．26%＞80%，满足要求，即神经网络的输入节点为3个．将各个参数代入模型之后可以得出:P0=90，Pmin=0．1．结果如表2、表3所示．经主成分分析，可以确定出神经网络的输入节点为3个，即:第一个主成分分数=0.208×总人口数－0.102×人均旅行次数－0.112×居民消费指数+0.202×居民消费水平+0.162×机动车保有量+0.212×地区生产总值+0.119×人口密度+0.217×消费总额;第二个主成分分数=0.241×总人口数+0.305×人均旅行次数+0.219×居民消费指数－0.210×居民消费水平－0.253×机动车保有量+0.249×地区生产总值－0.075×人口密度+0.253×消费总额;第三个主成分分数=－0．160×总人口数－0．090×人均旅行次数+0．840×居民消费指数+0．222×居民消费水平－0．097×机动车保有量－0．114×地区生产总值+0．651×人口密度－0.077×消费总额;运用MATLAB等软件分别对传统PCA－BP神经网络以及改进型PCA-BP神经网络模型进行运算．后七年的公路客运量实际值与预测值数据比较见图3．从上述表格数据可知，改进型PCA-BP模型的迭代次数2361次，准确率为88．91%比传统的PCA-BP模型更为理想，预测效果较好．

5结论

本文将传统的PCA-BP神经网络模型进行改进，将附加动量因子、动态陡度因子、动态调整学习率算法等方法加入模型，使改进后模型不仅对预测指标进行全面充分的系统考虑，而且有效解决BP神经网络存在的非线性逼近、迭代次数过多，易陷入局部极值等缺点，并把预测结果与传统PCA-BP神经网络预测结果相比较，从结果看出，不仅预测精度有了提高，而且收敛速度也得到加快．由此可见，改进PCA-BP神经网络比传统的PCA-BP模型更具优越性，能较好的得到预测结果，可以为相关企业和部门的决策提供一定的技术支持．

作者：王浩 郭瑞军 单位：大连交通大学 交通运输工程学院