【文章內(nèi)容簡(jiǎn)介】 BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)變化形式在神經(jīng)網(wǎng)絡(luò)中應(yīng)用比例占半數(shù)以上，之所以有如此大的影響力，最主要的便是有很多神經(jīng)網(wǎng)絡(luò)研究方面的專家針對(duì)其缺限進(jìn)行不斷改進(jìn)從而出現(xiàn)改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)算法。1. 針對(duì)學(xué)習(xí)率與穩(wěn)定性的矛盾及缺乏有效選擇學(xué)習(xí)率的方法這一問(wèn)題，加快其收斂速度是首當(dāng)其沖的，對(duì)此，有以下幾種方法：（1）可以選擇通過(guò)學(xué)習(xí)率漸小法{，（是大于0的常數(shù)）}、自適應(yīng)調(diào)節(jié)以及基于符號(hào)變化的自適應(yīng)法改變學(xué)習(xí)率進(jìn)而加快收斂速度；（2）引進(jìn)動(dòng)量因子把上一次權(quán)重調(diào)整時(shí)產(chǎn)生的誤差附加到本次調(diào)整中，新的權(quán)重調(diào)整公式為： （319）其中：。（3）本章上節(jié)提到傳統(tǒng)BP算法同上采用Sigmoid函數(shù)作為激勵(lì)函數(shù)，其函數(shù)特性將誤差修正率限制在以內(nèi)，一定程度上影響了收斂速度，用下面這一函數(shù)取代原激勵(lì)函數(shù)： ， （320）其中：為較小正數(shù)。2. 為避免訓(xùn)練過(guò)程中陷入局部極小，只能通過(guò)改變算法來(lái)解決，在實(shí)際應(yīng)用中，可以采取模擬退火法，通過(guò)改變其初始值，并經(jīng)過(guò)多次訓(xùn)練，以達(dá)到理想效果，但學(xué)習(xí)速度比較慢。3. 建模時(shí)因?yàn)闆](méi)有確定隱層節(jié)點(diǎn)數(shù)的有效方法，過(guò)多過(guò)少的隱層節(jié)點(diǎn)都會(huì)對(duì)訓(xùn)練產(chǎn)生影響，所以應(yīng)合理確定網(wǎng)絡(luò)結(jié)構(gòu)。 本章小結(jié)本章先對(duì)人工神經(jīng)網(wǎng)絡(luò)定義、感知器及BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作出簡(jiǎn)單介紹，著重闡述BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，誤差的沿原來(lái)的連接通路返回隨后修改聯(lián)接權(quán)值然后正向傳播，這樣的反復(fù)計(jì)算對(duì)減小預(yù)測(cè)誤差作用是很明顯的。第4章 基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)與仿真 BP神經(jīng)網(wǎng)絡(luò)在交通信息預(yù)測(cè)中的應(yīng)用第2章已經(jīng)提到城市交通流量雖然隨機(jī)性比較強(qiáng)，但是并不能說(shuō)明它的不可預(yù)測(cè)，事實(shí)上，在一個(gè)短的時(shí)間內(nèi)，每條道的流量、路口總流量和交通控制網(wǎng)絡(luò)流量的變化都具有豐富的內(nèi)部層次有序結(jié)構(gòu)，它介于隨機(jī)性和確定性之間，有很強(qiáng)的規(guī)律可尋?；诮煌烤哂袕?qiáng)非線性這一顯著特點(diǎn)， BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種，具有擬合任意非線性函數(shù)的功能，所以我們可以利用BP神經(jīng)網(wǎng)絡(luò)來(lái)代替復(fù)雜的非線性數(shù)學(xué)關(guān)系式，實(shí)現(xiàn)對(duì)現(xiàn)實(shí)交通系統(tǒng)的較準(zhǔn)確刻畫(huà)，當(dāng)然BP神經(jīng)網(wǎng)絡(luò)多樣本訓(xùn)練要求很高，而且所需要的樣本規(guī)模較大，最常用于城市道路及高速路斷面的交通量等微觀交通信息預(yù)測(cè)，也就是說(shuō)，采取BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通量預(yù)測(cè)在理論上是可行的。文利用BP圣經(jīng)網(wǎng)絡(luò)對(duì)城市快速路交通量進(jìn)行預(yù)測(cè)便以此作為基本出發(fā)點(diǎn)。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通量預(yù)測(cè)算法大致步驟如下：Step1 原始數(shù)據(jù)采集及預(yù)處理；Step2 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，確定網(wǎng)絡(luò)層數(shù)、輸入層神經(jīng)元個(gè)數(shù)、隱層層神經(jīng)元個(gè)數(shù)、輸出層神經(jīng)元個(gè)數(shù)；Step3 利用原始數(shù)據(jù)構(gòu)造訓(xùn)練樣本對(duì)；Step4 設(shè)計(jì)學(xué)習(xí)計(jì)算訓(xùn)練神經(jīng)網(wǎng)絡(luò)；Step5 用檢驗(yàn)樣本對(duì)結(jié)合預(yù)設(shè)誤差評(píng)價(jià)網(wǎng)絡(luò)性能，若訓(xùn)練出來(lái)的網(wǎng)絡(luò)達(dá)到誤差要求，則網(wǎng)絡(luò)構(gòu)造成功，否則，調(diào)整學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練，直到達(dá)到期望標(biāo)準(zhǔn)為止；Step6 對(duì)于經(jīng)訓(xùn)練滿足要求的BP神經(jīng)網(wǎng)絡(luò)，輸入一組已知數(shù)據(jù)得到相應(yīng)的交通量預(yù)測(cè)值。 基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)本設(shè)計(jì)借用梁新榮教授的實(shí)驗(yàn)數(shù)據(jù)，選取廣州某快速路段2008年六月和八月共六十多天的實(shí)際交通量。1. 原始數(shù)據(jù)采集作為輸入數(shù)據(jù)樣本,并對(duì)樣本進(jìn)行規(guī)范化處理，隨機(jī)產(chǎn)生輸入樣本和檢驗(yàn)樣本。城市快速路的性質(zhì)決定了運(yùn)行車輛種類的不一致性，一般來(lái)說(shuō)除了小型汽車之外還有大型客車、大型貨車等很多不同的車型，而車型之間的不同對(duì)道路交通的運(yùn)行壓力也是不一樣的，所以在進(jìn)行交通量有關(guān)研究的時(shí)候必須考慮這個(gè)因素。鑒于道路交通的這一特點(diǎn)，在對(duì)快速路小時(shí)交通量交通量進(jìn)行預(yù)測(cè)之前，要對(duì)交通量調(diào)查數(shù)據(jù)加以處理，換算成統(tǒng)一標(biāo)準(zhǔn)車型。在本設(shè)計(jì)中，調(diào)查的交通量數(shù)據(jù)是依據(jù)交通部的統(tǒng)一規(guī)定采用小汽車為標(biāo)準(zhǔn)車型進(jìn)行換算，折算系數(shù)表如表41所示：表41 交通調(diào)查車型分類及車輛折算系數(shù)表車型折算系數(shù)額載及功率備注 機(jī)動(dòng)車汽車小客車1額定座位19座大客車額定座位19座小型貨車1載重2噸中型貨車2噸載重7噸含吊車大型貨車27噸載重14噸特大型貨車3載重14噸拖掛車3 集裝箱車3通過(guò)折算后的交通量實(shí)際值8月30號(hào)和31號(hào)交通量實(shí)際值表如表42所示：表42 8月30號(hào)和31號(hào)交通量實(shí)際值表 日期時(shí)間段30號(hào)31號(hào) 日期時(shí)間段30號(hào)31號(hào)第1小時(shí)797771第13小時(shí)18531950第2小時(shí)668644第14小時(shí)21382309第3小時(shí)566536第15小時(shí)27802809第4小時(shí)479459第16小時(shí)31683027第5小時(shí)453453第17小時(shí)22612644第6小時(shí)489474第18小時(shí)31112860第7小時(shí)669714第19小時(shí)23112439第8小時(shí)10021070第20小時(shí)18061786第9小時(shí)13341571第21小時(shí)19612106第10小時(shí)24122139第22小時(shí)18491827第11小時(shí)26382507第23小時(shí)13611438第12小時(shí)26462403第24小時(shí)10011070通過(guò)折算后的交通量實(shí)際值8月22至29號(hào)所有工作日交通量實(shí)際值表如表43所示：表43 8月22至29號(hào)工作日交通量實(shí)際值表 日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)659742740892741695第2小時(shí)526610591740547526第3小時(shí)495515513553484495第4小時(shí)410449509512431410第5小時(shí)506481483485474506第6小時(shí)428459477492488428第7小時(shí)616936733865570616第8小時(shí)934141311091065855934第9小時(shí)181121742107238818051811第10小時(shí)251627202899288927832516第11小時(shí)293527873206255631312935第12小時(shí)265425152714283228612654第13小時(shí)190420362081228719341904第14小時(shí)230422252527252621782304第15小時(shí)287025982789285927782870第16小時(shí)323025703003303129833230第17小時(shí)285624282971281728852856第18小時(shí)335826612806286532013358第19小時(shí)257420412452243624532574第20小時(shí)182013491647168117221820第21小時(shí)218217141900164020972182第22小時(shí)186115781924190718541861第23小時(shí)133012701553131913971330第24小時(shí)96893211699709149682. 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)選取圖33的 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)含輸入層、中間層和輸出層，其中中間層由兩個(gè)隱層。采用四輸入和五輸入兩種方法的輸入層神經(jīng)元個(gè)數(shù)分別為4個(gè)和5個(gè)。3. 利用通過(guò)換算后的數(shù)據(jù)構(gòu)造訓(xùn)練樣本對(duì)。4. 設(shè)計(jì)學(xué)習(xí)計(jì)算訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用MATLAB語(yǔ)言編寫(xiě)應(yīng)用程序，用檢驗(yàn)樣本對(duì)結(jié)合預(yù)設(shè)誤差評(píng)價(jià)網(wǎng)絡(luò)性能，適時(shí)調(diào)整學(xué)習(xí)算法，直到訓(xùn)練出來(lái)的網(wǎng)絡(luò)達(dá)到誤差要求為止。5. 利用訓(xùn)練好的BP網(wǎng)絡(luò)，利用訓(xùn)練好的BP網(wǎng)絡(luò)，對(duì)MATLAB語(yǔ)言編制程序M文件進(jìn)行仿真，輸入一組參數(shù)得到相應(yīng)的交通量預(yù)測(cè)值。本文使用MATLAB經(jīng)過(guò)大量的仿真實(shí)驗(yàn)得出，采用四輸入和五輸入兩種輸入對(duì)交通流量進(jìn)行預(yù)測(cè)效果最好，所以采用四輸入和五輸入兩種輸入對(duì)交通量進(jìn)行預(yù)測(cè)，并對(duì)著兩種不同的輸入方式進(jìn)行對(duì)比。 仿真研究 四輸入法仿真結(jié)果分別采集周一到周五共四十二天的1008個(gè)數(shù)據(jù)和周末共20天的480個(gè)數(shù)據(jù)，首先采用四輸入對(duì)周末的交通量進(jìn)行預(yù)測(cè)，前18個(gè)數(shù)據(jù)作為樣本集，8月30號(hào)和31號(hào)的交通量作為測(cè)試集，得8月30號(hào)和31號(hào)的交通量預(yù)測(cè)值和誤差如表44所示：表44 8月30號(hào)和31號(hào)交通量預(yù)測(cè)值和相對(duì)誤差表預(yù)測(cè)值預(yù)測(cè)值的相對(duì)誤差日期時(shí)間段30號(hào)31號(hào)30號(hào)31號(hào)第1小時(shí)786784第2小時(shí)662643第3小時(shí)569536第4小時(shí)473458第5小時(shí)457457第6小時(shí)479486第7小時(shí)587650第8小時(shí)10251124第9小時(shí)16191555第10小時(shí)23682157第11小時(shí)26222529第12小時(shí)25952397第13小時(shí)18811929第14小時(shí)21222323第15小時(shí)27772814第16小時(shí)31053054第17小時(shí)21882734第18小時(shí)30712790第19小時(shí)22922453第20小時(shí)17921791第21小時(shí)19461972第22小時(shí)18601829第23小時(shí)13661456第24小時(shí)10071050注：6月2號(hào)至6月30號(hào)，8月1號(hào)至8月23號(hào)的工作日也就是前三十六天的數(shù)據(jù)作為樣本集，8月22號(hào)至29號(hào)（周一至周五）六天的數(shù)據(jù)作為測(cè)試集，計(jì)算前首先對(duì)樣本進(jìn)行歸一化處理，表45是8月22號(hào)至29號(hào)所有工作日第一小時(shí)到第二十四小時(shí)的交通量預(yù)測(cè)值：表45 四輸入8月22號(hào)至29號(hào)工作日交通流量預(yù)測(cè)值數(shù)據(jù)表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)711746763818735690第2小時(shí)541591617686572538第3小時(shí)489494498508503502第4小時(shí)369408536520439369第5小時(shí)483475492463483483第6小時(shí)452500435519507467第7小時(shí)776834792728575783