神经网络在公路运量中的预测

神经网络在公路运量中的预测

1.问题的描述

公路运量主要包括公路客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1中给出了某地区20年的公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量的单位为万辆，公路面积的单位为万平方千米，公路货运量单位为万吨。

根据相关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方千米。我们将利用BP神经网络预测该地区2010年和2011年的公路客运量和公路货运量。

2.BP神经网络求解过程

表1 某地区20年公路运量数据

具体程序如下：

clc

%yuanshishuju

%renshu

a=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 35.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];

%jidongcheshu

b=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];

%gonglumianji

c=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];

%gonglukeyunliang

d=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];

%gongluhuoyunliang

e=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];

p=[a;b;c];

t=[d;e];

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);

%%上面那个函数的意思：对数据进行预处理，进行归一化处理

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);

函数作用：数据归一化到[-1,+1]区间（默认时）。

输入参数：

p：需要归一化的数据。是QxR矩阵，其中R是维数，Q是样本数。一般是输入数据。

t：需要归一化的数据。是QxR矩阵，其中R是维数，Q是样本数。一般是输出数据。

返回参数：

pn：把矩阵p归一化后的数据。

minp：是列向量，元素是矩阵p每一行的最小值。

maxp：同上，不过实最大值。

tn,mint,maxt同上。

premnmx一般和tramnmx连用，前者用于归一化，后者用于反归一化。

%%

dx=[-1,1;-1,1;-1,1];

net=newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx');

%%

创建一个新的向前神经网络

net=newff(minmax(pn),[hideNums,outputNums],{TF1,TF2});

上面这句为什么不写输入的NUMs

是因为输入参数minmax（pn）可以理解为输入pn的最大最小值和输入数据。，所以输入数据的nums已经包含了。

这种newff的用法是旧用法，你可以在matlab输入help newff查看新用法

%%

% 设置训练参数

net.trainParam.show=1000;

net.trainParam.Lr=0.05;

net.trainParam.epochs=20000;（次数）

net.trainParam.goal=0.65*10^(-3);精度

net=train(net,pn,tn);

% 对BP 网络进行仿真

an=sim(net,pn);

% 计算仿真误差

a=postmnmx(an,mint,maxt);

x=1990:2009;

newk=a(1,:);

newh=a(2,:);

figure(2);

subplot(2,1,1);

plot(x,newk,'r-o',x,d,'b--+');

legend('网络输出客运量','实际客运量'); xlabel('年份');

ylabel('客运量/万人');

title('运用工具箱客运量学习和测试对比图') ; subplot(2,1,2);

plot(x,newh,'r-o',x,e,'b--+');

legend('网络输出货运量','实际货运量'); xlabel('年份');

ylabel('货运量/万人');

title('运用工具箱货运量学习和测试对比图') ;

pnew=[73.39 75.55

3.9635

4.0975

0.9880 1.0268];