论文研究-基于随机灰色蚁群神经网络的近期公交客流预测.pdf

所需积分/C币:44 2019-07-22 20:53:15 1.08MB .PDF
0
收藏 收藏
举报

为了科学准确地预测近期公交客流量, 根据近期公交客流量预测受到多因素影响以及非线性的特点, 利用随机灰色变量描述预测系统的不确定性, 建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型, 在此基础上, 提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例, 对模型的预测精度和有效性进行了分析。结果表明, 基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型, 而且明显优于其他传统组合预测模型, 能很好地反映事物发展的规律, 能够指导公交经营管理者近期的决策行为, 有效地改善了预测精度。
·) 080 计算机应用研究 第29卷 的IE,可用下式计算: 的 premnmx函数对公交客流量的历史数据进行归一化处理。 首先,以1986-2003年的历史数据建立网络结构为8-11-14 △r(1)=/第k只蚂蚁在本次循环中选择元素PNw(0)14为5的递归网络模型,并以1986-1991年的历史数据建立 其他 随机灰色预测模型,利用这两个模型对该市192--2003年的 其中:Q是常数,用做调节霦的调整速度;e‘是将第k只蚂蚁 公交客流量分别进行递归网络模型一步预测和随机灰色预测。 选择的一组元孝作为权值时,训练样本集后的最大输出误差, 其次以19871992年随机灰色预测模型和递归网络模型的公 即 交客流量预测值作为输人,其对应的实际值作为网络的输出 e=maxIo-OEX (11)构成网络的训练样本,然后利用训练后的网络对1995-203 e)当进化趋势不明显或迭代次数NC≥MC,则选代结年的公交客流量进行预测。随机灰色预测模型、递归网络模 束,输出最优解;否则转步骤b)。 型、随机灰色群神经网络组合预测结果以及相对误差如表2 所 3随杋灰色蚁群神经网络组合预测模型基本算法 表2铜陵市公交客流量预测结果 定递归网络输人层的节点数m,以及该递归网络的参数q、隐体个来色预测随灰色预网络型测视自那 a)根据饱和关联维数法求时序数据的嵌入维的方法,确 测值相对误孤测值相对误预测值相对误预測值相对误 含层数及其节点数。其中,隐层神经元节点数s /万人次差/%/万人次差/%万人次差/%/万人次差/% 1995189119633.819623.619764.110062.3 0.43m2+0.12n2+2.54m+0.77n+0.86,n为输出层的节 6.619486.718382.718161.5 点数 81819206.119165 b)以连续m年的时序数据以及第m+1年的数据为递归198187419132.119082.018981.9185413 网络的输入、输出,构成匹配对,即(x,x),其中x=(xb1 x2,…,xk=mn)",h=1,2,…,n-m-1 91018801.61 1.919051.6908 c)对(x,x4)进行归一化处理,并分成两部分:一部分s= 220118318.118925.319024.119 (x,x2)},h=1,+1,…,+s共s+1个样本,用于递归网络20007181.218691197.11yg23 的训练,其中l为预测的移动指针;另一部分用于验证网络的 设y(x;)为第i年样本数据的实测值,y(x)为第讠年各预 预测是否正确,共n-m-s个样本。 测模型的预测值,则可进步计算出各种预测模型的预测精 d)利用蚁群优化算法进行递归网络训练,得到初步预测度,即 值G1(k),当得到实际值后,将样本集调整为S←SU(x+ p-1-∑|y(x1)-3(x)|∑y(x;) (12 x++1)/{(x2,x)},l=l+1,对新的样本集S作新轮的学 习和预测。 由表2可见,灰色预测、随机灰色预测、递归网络、隨机灰 e)以历史数据建立随机CM(n,h)模型,其随机灰色预测色以群神经网络组合预测模型的最大相对误差分别为9.2% 值为G2(k),将G1(k)和G(k)作为组合预测网络的输入,其9.1%71%2.3%,而且随机灰色蚁群神经网络组合预测的 对应的实际值G1(k)作为该网络的输出,构成匠配对{G1(k) 柑对误差大部分小于10%。同时,根据式(12)可得灰色预测 G2(k),G(k)},并将这些匹配对分为A、B两部分,A用于网络随机灰色预测、递归网络、随机灰色蚁祥神经网终组合预测模 的训练,B用于测试该网络的性能。 型的预测精度分别为80.6%、86.3%、87.1%、92.1%。由此 f)用蚁群优化算法对A部分样本进行组合预测网络的学可知,随机灰色预测的精度明显高于灰色预测,而随机灰色蚊 习,然后作一步预测,从而得到的最终预测值G(h) 群神经网络组合预测的精度均人于其他单一预测模型,随机灰 色以群神经网络组合预测貝有较高的预测效果。 4实验仿真及实例分析 另外,为了进一步说明随机灰色蚁群神经网络组合预测模 为了验证该预测模型的精度,本文以安徽省铜陵巾 型的预测精度,分别采用目前运用较为广泛的GMPS模型 1986-2003年公交客流量为例,对其历史数据进行建模、训 GM(I,1)与ANN优化组合以及变权组合模型,对安徽省铜陵 市2004年—2009年的公交客流量进行了预测。其预测结果 练。其原始数据序列如表1所示。 的相对误差如表3所示。 表1铜绫市1986年—2003年历年公交客流量 表3各种预测方法的相对误差 年份公交客流量 年份 万人次 /万人次年份公交客流量 公交客流量 年份 万人次 模型 20052006200720082009 1986 2050 030 GMPLS组合模型 3.225.015.014.024.93 2211 1909 2261 2000 1910 GM(1,1)与ANN组合模型3.016.483.895.754.513.894.45 变权组合模型 4.017.283.545.674.84.883.66 1995 20)l l990 1826 202 20l1 強机灰色敗群神经组合模型2.032.322.93271.973.0 2194 88 2003 2017 由此可见,随机灰色蚁群神经网络组合预测模型的预测精 注:数据米源于铜陵巾公共交通规划报 度明显优于其他传统组合预测模型,其预测结果更加接近实 由于网络训练前的数据处理将影响网络的学习速度、网络际,在实际T程项目应用中具有定的实际应用价值。 结构的复杂性和网络的精度,因北,本文利用 MATLAB软件中 (下转第2084页) 2084 计算机应用研究 第29卷 阵,并将该矩阵视做灰度图像;在此基础上,构建了二级结构 method to measure structural similarity in proteins[ J]. Proceedings α螺旋、单股β叠片的C。C。原子距离函数,分析了反平行和 National Academy of Sciences of the United States of America 平行β叠片对的结构,并分别给出了它们在距离矩阵图像中 2004,101(11):3797-3802 对应的灰度模式。基于灰度模板V配,构建了二级结构单元9. TIMOTHY H,ⅢWINK, GORDON C. The theory and practice of 组成的特征;应用塔式分解,构建了多尺度二级结构拓扑组 dislance yeumelry[ J]. Bulletin of Mathematical Biology, 1983, 45 成特征。 (5):665-720. 本文进一步分析了这两种特征在结构类和折叠层次分关[10]施建宇,张艳宁,使用图像特征构建快速有效的蛋白质折叠识别 方法[J」.生物物理学报,2009,25(2):106-116 的作用和效果,而且还讨论了采用不同分解级别拓扑组成特征 [11] HSU C W, LI\ C J. A comparison of methods for multi-class support 的分类效果,并与多个结构域分类方法进行了对比。结果表 vector machines[ J. IEEE Trans on Neural Networks, 2002, 13 明,本文方法是一种有效的蛋白质结构域分类方法。 (2):415-425. 参考文献 L 12] DING C, DUBCIIAK L. Multi-class protein fold recognition using 「1谢雪英、李鑫,曹晨.基于复杂网络的蛋白质结构域纽进化分祈 support vector machines and neural networks[ J Bioinformatics [冂].生物物理学报,2010,26(12):1145-1153 2001,17(4):349-358 [2 ANDREEVA A, IIOWORTII D, JOIIN-MARC C, et al. Data growth L 13] CHINNASAMY A, SUNG W K, MITTAL. A. Prolein slruclure and nd its impact on the SCoP databasc: new developments[ J]. Nucle- fold prediction using trce-augmcnted naive Bayesian classifier[J] ic Acids Research, 2008, 36( Suppl 1 ): D419-D425 Journal of Bioinformatics and Computational Biology, 2005, 3 [3 ALISON L C, IAN S, TONY L, et al. The CATII classification (4):803-820 14] HUANG C D, LIN Chin-tcng, PAL NR. Hierarchical learning archi rcvisitcd-architccturcs reviewcd and new ways to characterize structur al divergence in superfamilies[ J]. Nucleic Acids Research, 2009 tecture with automatic feature selection for multiclass protein fold clas- sification J. IEEE Trans on Nano Bioscience, 2003, 2(4): 221 37( Suppl l):D310-D314 [4 NANNI L, SHI Jian-Yu, BRAHNAM S. et al. Protein classification using texture descriptors extracted from the protein backbone image 「15]施建宇,潘泉,张绍武,等.基于支持向量机融合网络的蛋白质折 [J. Journal of Theoretical Biology, 2010, 264(3): 1024-1032 叠子识别研究[J].生物化学与生物物理进展,2006,33(2):15 [5 DARAS P, ZARPALAS D, AXENOPOULOS A, et al. Three-dimen- sional shape-structure comparison method for protein classification [16 LIN Kcn-lin, LIN C Y, HUANG C D, et aL. Fcaturc sclcction and [J]. IEEE Trans on Computational Biology and Bioinformatics combination criteria for improving accuracy in protein structure predie 2006,3(3):193-207 lion[ J. IEEE Trans on NanoBioscience, 2007, 6(2): 18(-196 [6 DOKHOLYAN N V, LI L, DING F, et al. Topological determinan [ 17] MARSOLO K, PARTHASARATHY S, DING C. A multi-level ap- of protein folding[ J]. Proceedings National Academy of Sci- proach to SCOP fold recognition[ C]//Proc of the 5 th IEEE Symposi- ences of the United States of America, 2002, 99(13): 8G1.37 lm on Ricinfermalit s and Bioengineering. Washinglonl DC IEEE Computer Society, 2005: 57 8641 [7KOTLOVYI V, NICHOLS W, TEN E L. Protein structural alignment 181 MARSOLO K, PARTHASARATHY S. Alternate representation of for detection of maximally conserved regi distance matrices for characterization of protein structure[ C]//Proc of Chemistry,2003,105(2-3):595-608 the 5th IEEE International Conference on Data Mining. Washington [8 CHOI I G, KWON J, KIM S H. Local feature frequency profile:a DC: IEEE Computer Society, 2005 298-305 (上接第2080页) [2]杨新苗,王炜.公交线路客流模煳神经网络预测模型[冂].公路交 通科技,2000,17(4):43-46 5结束语 「3方丽君,吴中,CM(1,3)模型在交通系统公路客运量预测中的应 用[J].公路交通科技,206,23(3):163-166 木文在冇关文献的基础上,提出了随机灰色蚁群神经网络 [4]张晓东,阳亮.交通能源需求量鉏合预测模型研究[J].南京工程 组合预测模型,并给出了该模型的学习训练算法,充分利用了 学院学报,2008,6(2):62-66. 灰色预测建模所需信息少、方法简单的特点和神经网络具有较[5]朱昌锋铁路集装箱运量纽合预测方法研完[J]兰州交通大学学 强的非线性映射能力的持性。通过对安徽省铜陵巾公交客流 报,2010,29(6):141-144 量的预测结表明,随机灰色以群神经网络组合预测的精度不[6」张飞,史峰.铁路客货运量预測的瓯杌灰色系统模型冂·中南 但大于其他单一预测模型,而目明显优于其他传统组合预测模 大学学报,2007,33(4):529-535 型,能很好地反映享物发展的规律,有效地改善了模型的顶测[7]刘东波,陈玉娟,随机灰色提前期条件下制造/再制造混合系统库 精度,具有实际应用和推广意义。 冇优化[J].华东理工大学学报,2007,33(4):529-535 8]张燕,王繁玪,陈增强.基于递归神经网络的多变量系统预测控钠 参考文献: 「J].南开大学学报,206,39(1):49-53 []沈家军,王岿,陈峻基于灰色与尔可夫模型的远期公交客流璗预。[9]洪炳,全飞虎·基亍蚁群算法的多层前馈神经网络[J·哈尔滨 测[J].公路交通科技,2007,24(9):120-123 工业大学学报,2005,35(7):823-825

...展开详情
试读 4P 论文研究-基于随机灰色蚁群神经网络的近期公交客流预测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_39840924 如果觉得有用,不妨留言支持一下
2019-07-22
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
    最新推荐
    论文研究-基于随机灰色蚁群神经网络的近期公交客流预测.pdf 44积分/C币 立即下载
    1/4
    论文研究-基于随机灰色蚁群神经网络的近期公交客流预测.pdf第1页

    试读结束, 可继续读1页

    44积分/C币 立即下载 >