文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 交通运输 > BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用
侵权投诉

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

112

公路交通技术

2006年

△掣2暂=一挈祟=7(如一缸)五7乃(后=1,2,△掣2暂2一挈每面2

7(如一缸)歹2。乃(七2

1,z,

(2)应用灰色模型进行预测,得到预测序列;

(3)将预测值作为输人量,原始数据作为期望

…,n3;歹=0,l,…;凡2)

(10)

值,对BP神经网络进行训练,得到相应的权值和阀值;

(4)输人需要预测的年份,即可得到具有相当

觚一=一军甍叫扣。一蝴7呦慨

(J=1,2,…,n2;i=0,l,…n1)

(11)

精度的短期预测量。

4实例分析

式中:叩为学习速率;^7、五7为激活函数^,^的导

数。

将初始权值与对应的调整量相加,计算出新的权值,如此循环直至输出层误差平方和达到设定值

为止。

用MAⅡAB编写灰色模型和BP神经网络模型

的程序,现有我国2000—2004年公路客运量资料,

首先根据200卜2003年数据,利用此组合模型进行

拟合,然后再根据拟合的结果预测2004年公路客运量,与已有数据进行比较,并验证组合模型的短期预

测精度。

动量梯度下降法:附加动量的实质是将最后一次权值变化的影响,通过一个动量因子来传递。在反向传播时对每一个权值的变化量加上一项正比于前次权值变化量的值。采用动量梯度后,网络的训练可自动避免陷入局部极小值。

权值修正量改进算法:

埘^(克+1)=埘F(||})+叩[(1一,聊)D(屉)+

,聊D(是一1)]

(12)

表1是2000—2004年公路客运量数据、单独利用GM(1,1)模型进行仿真得到的数据和利用组合模型得到的仿真数据。图2是分别用2种方法进行数据拟合的比较图。

通过计算,得出GM(1,1)仿真数据与实际数值的绝对误差△£,是14.19,相对误差△芒,是0.098,均

方差MSE1为21.7。组合模型得到的仿真数据与实际

式中:D(矗)为||}时刻的负梯度;D(七一1)为|j}一1时刻的负梯度;叩为学习率;,掀[0,1]为动量因子,当

撇=O时,权值修正只与当前负梯度有关系,当榭

=1时,权值修正就完全取决于上一次循环的负梯

度了。3应用步骤

数值的绝对误差△£:是8.13,相对误差△£:是0.057,均方差MSE为5.1。显而易见,△£2<△el,

雠2<出,,MS马<MsE;,此组合模型在公路客运量

方面仿真数据的精确性较单独的GM(1,1)模型要

高得多。

表l公路客运量原始和仿真数据

(1)输入原始数据资料;

图22种方法的仿真值与实际值的比较

上一页第3页

你可能喜欢

  • 能源需求预测
  • ARIMA模型
  • BP神经网络算法
  • MATLAB神经网络

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email