基于BP神经网络公路客运量和货运量预测方法研究.docVIP

基于BP神经网络公路客运量和货运量预测方法研究 　　摘要：公路客运量和货运量预测是一个复杂的非线性问题，由于影响因素较多，难以用普通的数学方法建模，而建立BP神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。利用实际数据确定网络输入与输出样本，对BP神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析，验证了BP神经网络预测系统的精确性和方便性，提高了公路客运货运预测的精确性。 　　关键词关键词：客运量；货运量；BP神经网络；预测 　　中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2016）004-0129-03 　　0引言 　　交通运输在国民经济和社会发展中起着重要作用，公路客运量和货运量的预测备受重视。公路客运量和货运量受到多方影响，有系统内部因素也有系统外部因素[1]。准确预测需求量，既有利于公路等基础设施建设投资计划、货运枢纽规划合理布局以及运输生产组织高效管理，又能完善综合交通系统的规划、评价，是制定和检查运输生产计划、研究运输发展规模和速度的重要指标，对公路客运量和货运量需求的准确预测和分析具有很强的现实意义。 　　公路客运量和货运量常见的预测方法有灰色预测法、回归分析法、指数平滑法等[2]。这些方法虽各有优点，但都对非线性问题及一些不确定影响因素的处理不理想，可能导致误差较大、信息量丢失的问题。 　　笔者在前人研究的基础上，采用BP神经网络对我国客运量和货运量进行了预测。实验数取自1992-2011年中国统计年鉴。根据公路客运和货运具有较强的复杂性和非线性特点，本文选取了居民人口、公路运输长度、民用车拥有量3个指标进行预测，利用BP神经网络建立预测模型进行训练，并把结果与实际结果进行比较分析。实践证明，运用神经网络对未来数据进行预测可行性高。 　　1BP神经网络 　　BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层（可以是一层或多层）逐层处理，直至输出层，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播。根据预测误差调整网络权值和阈值，从而使BP神经网络预测期望输出不断逼近期望输出。BP神经网络（以只含一个隐含层为例）拓扑结构如图1所示[3]。 　　图1中，X1，X2，X3，…，Xn是BP神经网络的输入值，Y1，Y2，…，Ym是BP神经网络的预测值，Wij和Wjk是BP神经网络权值。BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个变量到m个变量的函数映射关系。 　　BP神经网络预测前先要训练网络，通过训练使网络具有联想记忆和预测能力，BP神经网络训练步骤： 　　（1）网络初始化。根据输入序列（X，Y）确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值Wij和Wjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。 　　（2）隐含层输出计算。根据输入向量X，输入层和隐含层间连接权值Wij以及隐含层阈值a，计算隐含层输出H。 　　Hj=f（∑ni=1WijXi-aj），j=1，2，…，l.（1） 　　式（1）中，l为隐含层节点数，f为隐含层激励函数，该函数有多种表达形式，本文所选函数为sigmoid： 　　f（x）=11+e-x（2） 　　（3）输出层输入计算。根据隐含层输出H，连接权值Wjk和阈值b，计算BP神经网络预测输出Y。 　　Yk=∑lj=1HjWjk-bk，k=1，2，…，m（3） 　　（4）误差计算。根据网络预测输出Y和期望输出O，计算网络预测误差e。 　　ek=Ok-Yk，k=1，2，…，m.（4） 　　（5）权值更新。根据网络预测误差e，更新网络连接权值wij和wjk.： 　　Wij=Wij+ηΗj（1-Hj）Xi∑mk=1Wjkek，i=1，2，…，nj=1，2，…，l.（5） 　　Wjk=Wjk+ηHjek，j=1，2，…，n；k=1，2，…，m（6） 　　式中，η为学习速率。 　　（6）阈值更新。根据网络预测误差e更新网络节点阈值a，b。 　　aj=aj+ηHj（1-Hj）∑mk=1Wkjek，j=1，2，…，l.（7） 　　bk=bk+ek，k=1，2，…，m.（8） 　　（7）判断算法迭代是否结束，若没有结束，则返回步骤（2）。 　　基于以上步骤得到BP神经网络的算法求解思路，如图2所示。 　　2预测实例分析 　　2.1相关历史数据 　　公路客运量与货运量数