基于LMBP算法的轨道交通客流短时预测.docVIP

基于LM-BP算法的轨道交通客流短时预 王立政朱从坤 苏州科技大学土木工程学院 摘要： BP神经网络是当前比较常用的人工神经网络，针对BP神经网络存在易陷入局部 极小值、收敛速度慢等缺陷，将LM算法引入到BP神经网络中，以改进BP神经 网络在预测时的训练过程，并利用轨道交通客流的时间序列对其有效性进行验 证，结果证明该方法对轨道交通客流的短时预测有着更高的准确度和精度。 关键词： 轨道交通客流;短时预测;BP神经网络;LM算法; 作者简介：王立政（1991-），男，山东滕州人，硕士，研究方向为交通运输规 划与管理； 作者简介：朱从坤（1968-），男，山东莱芜人，教授，研究方向为交通运输规 划与管理。 Short-term Prediction Research on Urban Rail Transit Passenger Flow Based on LM-BP Algorithm WANG Li-zheng ZHU Cong-kun College of Civil Engineering, Suzhou University of Science and Technology; Abstract： BP neural network algorithm is the currently common artificial neural network. Referring to the shortcomings existing in BP neural network, such as:local minimum, low convergenee rate, this paper introduces LM algorithm to improve BP neural network algorithm, then trains the BP ncureil nctwork prediction model and applies this method to the time sequence of urban rail transit passenger flow to perform validation. The result shows that the method has a higher accuracy and precision to the short-term prediction of urban rail transit passenger flow. Keyword： urban 说订 transit passengcr flow; short-term prediction; BP ncural network; LM algorithm; 0引言 近年来，许多学者对于城市交通客流的非线性特征进行了研究，提出了多种非 线性预测模型，如BP神经网络模型、混沌状态特征模型和支持向量机模型等 LQ。但是bp神经网络有两个明显的缺陷，一是容易陷入局部极小值，二是收敛 的速度慢。本文提出利用LM算法对BP神经网络算法进行改进，并应用于轨道交 通客流的短时预测。 1基于LM最优化方法的BP神经网络LM-BP 1.1 LM-BP 算法 在最优化理论中，Levenberg-Marquardt算法是一种优秀的优化设计方法，它结 合了神经网络里梯度下降法和高斯-牛顿法的优点，是牛顿法和梯度下降法相结 合的一种算法⑵。 神经网络的口标是通过输入样本对來对神经网络的权值m进行调节，从而使误 差函数E到达最小值RL在样本中，叽?是第一层第i个神经元输入到第j个神 经元的权值，则相应的权值矩阵为 则误差函数E变为 式中e订为误差向量。 可以通过论证得到结果：△ E (m)二JE (m)⑵ 其中，J (m)为E (m)的雅可比矩阵，S (m)为E (m)的误差矩阵。 对于牛顿法，乂有 当最终求得的结果靠近极值点时，S (m)二0,则由高斯牛顿法，下式不再具有海 森矩阵的计算： LM算法就是这两种算法的综合，它的表达式为: 其中，I为单位矩阵，u为大于0的常数。当u值较大时，LM算法更接近于梯 度下降算法，当u接近于0时，LM算法更接近于牛顿高斯算法。越接近误差的 最小值，计算速度会越快［4］。 1.2 LM-BP神经网络算法的实施步骤 首先，对各权值矩阵m和各个隐含层的阈值向量b进行初始化;并给出卩、 0、￡的初始值。 取yq二Pq,其中q二123,…，Q,并计算输出向量％二Pq, n取0、1、2;然后求 解输出层的各个误差E (ni)。如果输出层的误差E (ni) e则表明其算法已经 收敛，可输出最后的结果；否则继续执行下一步骤。 计算雅可比矩阵J (in) o 利用公式(7)计算Ani。 由m (k+1) =m