小波神经网络的时间序列预测-短时交通流量预测

%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test % input output分别为训练输入输出数据 % input_test output_test分别为预测输入和输出数据 M=size(input,2); %输入节点个数 % M=size(input,4); N=size(output,2); %输出节点个数 % N=size(output,1); n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=500; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input',0,1); [outputn,outputps]=mapminmax(output',0,1); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) %提取输入输出数据 x=inputn(kk,:); yqw=outputn(kk,:); %网络预测输出 for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end %计算误差和 % error(i)=error(i)+sum(abs(yqw-y)); error(i)=error(i)+sum(abs(yqw-y)); %权值调整 for j=1:n %计算d_Wij（d_Wij修正值） temp=mymorlet(net_ab(j)); for k=1:N d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp; end %计算d_Wjk（d_Wjk修正值） temp=d_mymorlet(net_ab(j)); for k=1:M for l=1:N d_Wjk(j,k)=d_Wjk(j,k)+(yqw(l)-y(l))*Wij(l,j) ; end d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j); end %计算d_b（b修正值） for k=1:N d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j); end d_b(j)=d_b(j)*temp/a(j); %计算d_a（a修正值） for k=1:N d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j); end d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j); end %权值参数更新 Wij=Wij-lr1*d_Wij; Wjk=Wjk-lr1*d_Wjk; b=b-lr2*d_b; a=a-lr2*d_a; d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); Wjk_1=Wjk;Wjk_2=Wjk_1; Wij_1=Wij;Wij_2=Wij_1; a_1=a;a_2=a_1; b_1=b;b_2=b_1; end end %% 网络预测 %预测输入归一化 x=mapminmax('apply',input_test',inputps); x=x'; %网络预测 for i=1:92 x_test=x(i,:); for j=1:1:n for k=1:1:M net(j)=net(j)+Wjk(j,k)*x_test(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y(k)=y(k)+Wij(k,j)*temp ; end end yuce(i)=y(k);%预测结果记录 y=zeros(1,N);%输出节点初始化 net=zeros(1,n);%隐含节点初始化 net_ab=zeros(1,n);%隐含节点初始化 end %预测输出反归一化 ynn=mapminmax('reverse',yuce,outputps); %% 结果分析 figure(1) plot(ynn,'r*:') hold on plot(output_test,'bo--') title('预测交通流量','fontsize',12) legend('预测交通流量','实际交通流量') xlabel('时间点') ylabel('交通流量') figure(2) % for i=1:92, % er(i)=abs(ynn(i)-output_test(i)')/abs(output_test(i)'); % end er=abs(ynn-output_test'); plot(er) xlabel('测试样本') ylabel('绝对百分比误差,APE %') figure(3) plot(error) title('网络进化过程') xlabel('进化次数') ylabel('预测误差') figure(4) plot(yuce) title('预测结果记录') s1=0; for i=1:92, s1=s1+er(i); end s1 s2=0; for i=1:92, s2=s2+output_test(i); end s2 s3=s1/s2 s4=s1/92