BP.rar_BP_；

clc clear load flow.mat %--------------------------数据图 figure(1) plot(data) xlabel('时间，15min/单位') ylabel('交通流量/量') %训练数据归一化 %%%----------------数据归一化 [datan,dataps]=mapminmax((data)'); %-------------------------重构数据 %m=10; %tau=1; x=datan; for t=10:2684 Data(:,(t-9))=[x(t-9) x(t-8) x(t-7) x(t-6) x(t-5) x(t-4) x(t-3) x(t-2) x(t-1) x(t) x(t+1)]; end %--------------------------开始预测 %准备训练数据和测试数据 trn_data = zeros(11,2560); test_data = zeros(11,100); % prepare training data trn_data=Data(1:11,1:2560); % prepare checking data test_data=Data(1:11,2561:2660); %训练数据 input_train=(trn_data(1:10,:)); output_train=(trn_data(11,:)); %测试数据 input_test=(test_data(1:10,:)); output_test=(test_data(11,:)); %构建BP神经网络 net=newff(input_train,output_train,[10 1],{'tansig','purelin'},'trainlm'); net.trainParam.epochs=7000; % 训练次数 net.trainParam.goal=0.00001; % 误差期望值 net.trainParam.lr=0.05; % 学习率 % returns of the train: % net--New network net=train(net,input_train,output_train); %BP神经网络预测输出 y=sim(net,input_test); %输出结果反归一化 BPoutput=mapminmax('reverse',y,dataps); output=mapminmax('reverse',output_test,dataps); %网络预测结果图形 figure(2) plot(BPoutput,'-r*'); %利用BP产生的预测输出图形 hold on plot(output,'-b+'); %预测数据的输出图形 legend('预测输出','期望输出') xlabel('时间，15min/单位') ylabel('交通流量/量') %误差曲线 [DIM_INPUT LEN_DATA ]=size(test_data); % Data matrix size (1 input vector per row) for tt=1:LEN_DATA, error(tt)=abs((BPoutput(tt)-output(tt))/output(tt)); ERR(tt)= BPoutput(tt)-output(tt); % Prediction error end Emape=sum(error)/LEN_DATA Emse=mse(ERR) Ermse=sqrt(Emse) NMSE=var(ERR)/var(output) figure(3) plot(error); xlabel('时间,15min/单位') ylabel('相对误差') err_mse=mse(error); err_rmse=sqrt(err_mse);