欢迎来到天天文库
浏览记录
ID:32709344
大小:315.38 KB
页数:6页
时间:2019-02-14
《基于多层前向神经网络的提高铁路客运量预测精度的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、第二部分:交通运输规划与管理t√缈妒●r■《■々∞”■6●‘jP净榭帮∥一r■^●#,■E拼4w辨矿僻井辨Jt■q●獬∥J口●佛Jn掣■r蠲7盛.一摩.~⋯9√【,一,4川一..Ⅵof“。r'基于多层前向神经网络的提高铁路客运置预测精度的研究覃频频1,一,晏启鹏1,黄大明2(1.西南交通大学交通运输学院,四III成都610031;2.广西大学机械工程学院,广西南宁530004)摘要:分析传统铁路客运量预测技术的不足,在提出的铁路客运量预测函数的基础上,建立基于反向误差算法的多层前向神经网络预测模型进行铁路客运量的预测
2、。研究结果表明,误差反向算法的多层前向神经网络比误差修正算法的神经网络、多元回归模型和时间序列模型的预测精度高。关键词:铁路客运量;预测;多层前向神经网络0引言为有效安排铁路运输,及时、科学地制定决策,建立适用的铁路客运量预测模型是十分J必要的。传统的铁路客运量预测技术包括定性和定量预测方法。定性预测方法主要是通过组织各方面专家运用专业方面的经验和知识,对过去和现在发生的问题进行综合分析,找出规律,对未来作出判断。几种主要的定性方法包括个人判断、专家会议、德尔菲法、主观慨率法等。定性预测方法简单易行,花费时间少,缺点
3、是预测存在片面性、准确度不高。定量预测方法以历史统计资料和有关信息为依据,运胳种数学邡帮长预测铁路客运量的情况。最常用的两种定量预测方法是多元回归预测法和时间序列预测法。多元回归预测方法通过回归方程来确定因变量与自变量之间的变化规律,由回归方程预测出因变量的未来值.多元回归模型实际E是—种经济i十量模型,采用—些经济因素,如收入、出行费用、消费支出等因素作为自变量构建回归方程。多元回归模型的—个最大的局限就是自变量之间存在多元共线性关系。时间序列预测方法根据历史资料组成的时间数列,采用单—变量或多元变量的数学函数来描
4、述变量的历史发展规律,凭借过去状态延续到未来的可能性,实现预测。在掌握可靠的历史统计资料的前提下,时间序列模型的预醐0结果也是合理的。然而,时间序列预测模型的—个基本局限性就是均假设各变量之间是—种线性关系,而实际的经济系统或工程系统中总是或多或少地含有非线性因素。当采用时间序列方法描述或逼近非线性因素得不到满意的结果时,就应该应用非线性的时序模型,或其他适宜的非线性方澍¨。有鉴于此,本文提出一种有效的非线性预测方法即多层前向神经网络的方法。1前向神经网络R眦elhan于1986年提出多层前向神经网络,它是—种单向传
5、播的多层前向网络,由于具有高度的非线性映射能力,是目前神经网络硼究与应用中最基本的网络模型之·。广泛应用于模式湖0、图像处理、函数逼近、优化计算、最优预测和自适应控制领域【2J。多层前向神经网络其神经节点分层
6、j髟列,—般由输入层,输出层和若干隐层组成。同层神经元节点之间没有连接,相邻两层之间的节点两两j圭接,而前一层神经元的输出即为后—层神经元的输入,每一层神经元节点只接收前一层神经元节点的输出信号。图1是—个三层前向神经网络的结构简图。图1的网络有5个输入节点。输入层的输出等于其输入,输出层有1个输出节点,网络的
7、隐层有3个节点,%是输^层和隐层之间的连接权值;%。是隐层和输出层节点之间的连接权值,隐层和输出层节点的输入是前一层节点输出的加权和。1612005·8中国·大连交通研究与探束(2005)一第六声全国交通运轮领域青牟荸术会汉论丈善**‘㈨⋯一vtt滞一F宙_舯蔚懈懈一辨詹僧僦一■‘妒+”、^·^寺p鼽村毋僦■^■斜.“譬.●’删柳泔妒_J■●图l三层前向神经网络结构简图图l中,隐层的每—个节点输出乃为5Y』=∑‘形。J(1)i=I每个节点的激励程度由它的激励函数两碉睡决定。激励函数的目的就是防IE输出值过大,砌的值介
8、于0到I之间。m)=专(2)输出层节点的输出值伉为3q=∑厂(力,%.。j=l(3)误差修正学习(Error-CorrectionLearning)算法是—种有监督的学习过程,其基本思想是利用神经网络的预测输出与实际输出之间的偏差作为连接权值调整的参考,并最终减少偏差,满足误差的要求。误差修正算法的五个步骤[31:第一步随机分配权重值,介于一0.5—0.5之间。第二步采用公式(3)计算训练样本中的每—个样本的输出值。第三步计算实际输出值(Act)与预测输出值(For)之间的偏差(财)Diff"=Act—For(4)第
9、四步通过调整权重值彤减小实际输出值(Act)与预测输出值(For)之间的偏差(D扩)形=形+axIi×D汐(5)其中,口是学习速率反映了网络的学习速度,其值介于0~l之间。返回第二步到第四步,直至满足第三步的误差要求。第五步重复以上步骤直至完成全部训练样本的学习。前向神经网络能够从训练样本中自动地学习以前的经验,而无需复杂的表述过程,并自动地逼
此文档下载收益归作者所有