基于MPSORBF的公路货运量预测方法研究.pdfVIP

第28卷第5期 中 外公 路 2008年10月 259 文章编号：1671—2579(2008)05--0259—04 马永红．马昌喜。郭坤卿 (兰州交通大学，甘肃兰州 730070) 摘要：在分析公路货运量的影响因素和预测特点的基础上，将PSO算法的全局搜索 能力和RBF神经网络局部优化相结合．建立了基于改进PS()算法和RBF神经网络的公路货 运量预测模型(MPS()一RBF)。利用某城市的历史数据对预测模型进行了训练、测试与仿 真，同时将仿真结果与回归分析法、灰色理论法、BP神经网络和RBF神经网络预测的结果进 行了比较，结果表明文中提出的预测方法精度较高，对于公路货运量预测具有一定的可行性 和有效性。 关键词：公路货运量；改进PSO算法；RBF神经网络；混合优化算法；预测模型 网络中，即将PS0算法的全局搜索能力和RBF神经 1 前言 网络局部优化相结合，建立预测模型，对公路货运量进 行预测。从而克服传统PSO算法收敛的不稳定性和 公路货运量预测是公路交通需求预测的重要组成 RBF网络易于陷入局部极小值的缺点。 部分，是进行路网规划、管理及可行性研究报告的基 础，因此，公路货运量预测研究具有较强的实际意义。 2径向基函数(RBF)神经网络模型 传统的公路货运量预测多采用定量与定性相结合 的方法，主要有回归分析法、时间序列法(指数平滑法 RBF神经网络是以函数逼近理论为基础的一类 和随机时间序列法)、灰色预测模型法以及多种预测方 前向网络。它不同于BP神经网络，在中间层，它以对 法的组合模型等。这些方法大都集中在对其因果关系 局部响应的径向基函数代替传统的全局响应的激发函 回归模型和时间序列模型的分析上，所建立的模型不 数，即用径向基函数作为隐单元的“基”，构成隐含层空 能全面和本质地反映所预测动态数据的内在结构和复 间，隐含层对输入矢量进行变换，将低维模式的输入变 杂特性，从而丢失了信息量。 换到高维空间内，使得低维空间内的不可分问题在高 Basis 径向基函数(RadialFunction，RBF)神经网维空间内可分。 络以网络结构简单、训练速度快和最佳逼近能力的优 假设输人向量为X。一[zl。，z2。，…，z“]T，其中， 点被广泛地应用到预测领域，但RBF关键参数的设置 m表示输入数据的维数；志表示输入数据的个数。 是基于参数空间的局部信息，不是参数空间的全局最 网络的隐含层，即径向基层采用高斯函数作为作 优值。因此，对于复杂的非线性问题，利用RBF进行 用函数，当网络输入为X。时，隐含层输出为： 解决时，必须对网络参数从全局空间进行搜索。目前 1 xI—fi0 2) (1) 垂(XI，q)=exp(一者0 RBF与智能优化算法相结合已成为一种趋势，并收到 厶盯f 式中：厶=[a。，妇，…，Ch]T为高斯基函数的中心溉为 了良好的效果。本文将改进的粒子群优化(Modified Swarm 高斯函数的方差。 Partic