【文章內(nèi)容簡介】 BP神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡變化形式在神經(jīng)網(wǎng)絡中應用比例占半數(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)絡研究方面的專家針對其缺限進行不斷改進從而出現(xiàn)改進型的BP神經(jīng)網(wǎng)絡算法。1. 針對學習率與穩(wěn)定性的矛盾及缺乏有效選擇學習率的方法這一問題，加快其收斂速度是首當其沖的，對此，有以下幾種方法：（1）可以選擇通過學習率漸小法{，（是大于0的常數(shù)）}、自適應調(diào)節(jié)以及基于符號變化的自適應法改變學習率進而加快收斂速度；（2）引進動量因子把上一次權重調(diào)整時產(chǎn)生的誤差附加到本次調(diào)整中，新的權重調(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)取代原激勵函數(shù)： ， （320）其中：為較小正數(shù)。2. 為避免訓練過程中陷入局部極小，只能通過改變算法來解決，在實際應用中，可以采取模擬退火法，通過改變其初始值，并經(jīng)過多次訓練，以達到理想效果，但學習速度比較慢。3. 建模時因為沒有確定隱層節(jié)點數(shù)的有效方法，過多過少的隱層節(jié)點都會對訓練產(chǎn)生影響，所以應合理確定網(wǎng)絡結構。 本章小結本章先對人工神經(jīng)網(wǎng)絡定義、感知器及BP神經(jīng)網(wǎng)絡結構作出簡單介紹，著重闡述BP神經(jīng)網(wǎng)絡學習算法，誤差的沿原來的連接通路返回隨后修改聯(lián)接權值然后正向傳播，這樣的反復計算對減小預測誤差作用是很明顯的。第4章 基于BP神經(jīng)網(wǎng)絡的快速路小時交通量預測與仿真 BP神經(jīng)網(wǎng)絡在交通信息預測中的應用第2章已經(jīng)提到城市交通流量雖然隨機性比較強，但是并不能說明它的不可預測，事實上，在一個短的時間內(nèi)，每條道的流量、路口總流量和交通控制網(wǎng)絡流量的變化都具有豐富的內(nèi)部層次有序結構，它介于隨機性和確定性之間，有很強的規(guī)律可尋?；诮煌烤哂袕姺蔷€性這一顯著特點， BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡中的一種，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)絡來代替復雜的非線性數(shù)學關系式，實現(xiàn)對現(xiàn)實交通系統(tǒng)的較準確刻畫，當然BP神經(jīng)網(wǎng)絡多樣本訓練要求很高，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測，也就是說，采取BP神經(jīng)網(wǎng)絡模型進行交通量預測在理論上是可行的。文利用BP圣經(jīng)網(wǎng)絡對城市快速路交通量進行預測便以此作為基本出發(fā)點。應用BP神經(jīng)網(wǎng)絡進行交通量預測算法大致步驟如下：Step1 原始數(shù)據(jù)采集及預處理；Step2 設計網(wǎng)絡結構，確定網(wǎng)絡層數(shù)、輸入層神經(jīng)元個數(shù)、隱層層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù)；Step3 利用原始數(shù)據(jù)構造訓練樣本對；Step4 設計學習計算訓練神經(jīng)網(wǎng)絡；Step5 用檢驗樣本對結合預設誤差評價網(wǎng)絡性能，若訓練出來的網(wǎng)絡達到誤差要求，則網(wǎng)絡構造成功，否則，調(diào)整學習算法對網(wǎng)絡重新進行訓練，直到達到期望標準為止；Step6 對于經(jīng)訓練滿足要求的BP神經(jīng)網(wǎng)絡，輸入一組已知數(shù)據(jù)得到相應的交通量預測值。 基于BP神經(jīng)網(wǎng)絡的快速路小時交通量預測本設計借用梁新榮教授的實驗數(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,并對樣本進行規(guī)范化處理，隨機產(chǎn)生輸入樣本和檢驗樣本。城市快速路的性質(zhì)決定了運行車輛種類的不一致性，一般來說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道路交通的運行壓力也是不一樣的，所以在進行交通量有關研究的時候必須考慮這個因素。鑒于道路交通的這一特點，在對快速路小時交通量交通量進行預測之前，要對交通量調(diào)查數(shù)據(jù)加以處理，換算成統(tǒng)一標準車型。在本設計中，調(diào)查的交通量數(shù)據(jù)是依據(jù)交通部的統(tǒng)一規(guī)定采用小汽車為標準車型進行換算，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 機動車汽車小客車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通過折算后的交通量實際值8月30號和31號交通量實際值表如表42所示：表42 8月30號和31號交通量實際值表 日期時間段30號31號 日期時間段30號31號第1小時797771第13小時18531950第2小時668644第14小時21382309第3小時566536第15小時27802809第4小時479459第16小時31683027第5小時453453第17小時22612644第6小時489474第18小時31112860第7小時669714第19小時23112439第8小時10021070第20小時18061786第9小時13341571第21小時19612106第10小時24122139第22小時18491827第11小時26382507第23小時13611438第12小時26462403第24小時10011070通過折算后的交通量實際值8月22至29號所有工作日交通量實際值表如表43所示：表43 8月22至29號工作日交通量實際值表 日期時間段22號25號26號27號28號29號第1小時659742740892741695第2小時526610591740547526第3小時495515513553484495第4小時410449509512431410第5小時506481483485474506第6小時428459477492488428第7小時616936733865570616第8小時934141311091065855934第9小時181121742107238818051811第10小時251627202899288927832516第11小時293527873206255631312935第12小時265425152714283228612654第13小時190420362081228719341904第14小時230422252527252621782304第15小時287025982789285927782870第16小時323025703003303129833230第17小時285624282971281728852856第18小時335826612806286532013358第19小時257420412452243624532574第20小時182013491647168117221820第21小時218217141900164020972182第22小時186115781924190718541861第23小時133012701553131913971330第24小時96893211699709149682. 設計網(wǎng)絡結構選取圖33的 BP神經(jīng)網(wǎng)絡結構，該網(wǎng)絡含輸入層、中間層和輸出層，其中中間層由兩個隱層。采用四輸入和五輸入兩種方法的輸入層神經(jīng)元個數(shù)分別為4個和5個。3. 利用通過換算后的數(shù)據(jù)構造訓練樣本對。4. 設計學習計算訓練神經(jīng)網(wǎng)絡，用MATLAB語言編寫應用程序，用檢驗樣本對結合預設誤差評價網(wǎng)絡性能，適時調(diào)整學習算法，直到訓練出來的網(wǎng)絡達到誤差要求為止。5. 利用訓練好的BP網(wǎng)絡，利用訓練好的BP網(wǎng)絡，對MATLAB語言編制程序M文件進行仿真，輸入一組參數(shù)得到相應的交通量預測值。本文使用MATLAB經(jīng)過大量的仿真實驗得出，采用四輸入和五輸入兩種輸入對交通流量進行預測效果最好，所以采用四輸入和五輸入兩種輸入對交通量進行預測，并對著兩種不同的輸入方式進行對比。 仿真研究 四輸入法仿真結果分別采集周一到周五共四十二天的1008個數(shù)據(jù)和周末共20天的480個數(shù)據(jù)，首先采用四輸入對周末的交通量進行預測，前18個數(shù)據(jù)作為樣本集，8月30號和31號的交通量作為測試集，得8月30號和31號的交通量預測值和誤差如表44所示：表44 8月30號和31號交通量預測值和相對誤差表預測值預測值的相對誤差日期時間段30號31號30號31號第1小時786784第2小時662643第3小時569536第4小時473458第5小時457457第6小時479486第7小時587650第8小時10251124第9小時16191555第10小時23682157第11小時26222529第12小時25952397第13小時18811929第14小時21222323第15小時27772814第16小時31053054第17小時21882734第18小時30712790第19小時22922453第20小時17921791第21小時19461972第22小時18601829第23小時13661456第24小時10071050注：6月2號至6月30號，8月1號至8月23號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號至29號（周一至周五）六天的數(shù)據(jù)作為測試集，計算前首先對樣本進行歸一化處理，表45是8月22號至29號所有工作日第一小時到第二十四小時的交通量預測值：表45 四輸入8月22號至29號工作日交通流量預測值數(shù)據(jù)表日期時間段22號25號26號27號28號29號第1小時711746763818735690第2小時541591617686572538第3小時489494498508503502第4小時369408536520439369第5小時483475492463483483第6小時452500435519507467第7小時776834792728575783