CN111160633A - 基于sbs-bp神经网络的公路客运量预测方法 - Google Patents
基于sbs-bp神经网络的公路客运量预测方法 Download PDFInfo
- Publication number
- CN111160633A CN111160633A CN201911314091.5A CN201911314091A CN111160633A CN 111160633 A CN111160633 A CN 111160633A CN 201911314091 A CN201911314091 A CN 201911314091A CN 111160633 A CN111160633 A CN 111160633A
- Authority
- CN
- China
- Prior art keywords
- data
- road passenger
- neural network
- sbs
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的目的是提出一种基于SBS‑BP神经网络的公路客运量预测方法，利用BP神经网络建立公路客运量数学预测模型，并且利用SBS算法优化特征改进BP算法模型，使得公路客运量预测模型性能更加优越。
Description
技术领域
本发明涉及一种BP神经网络结合SBS特征选择算法，通过SBS算法分析选择最佳的公路客运量预测特征，然后利用BP神经网络来实现公路客运量预测。
背景技术
交通运输在国民经济和社会发展中起着重要作用，公路客运量的预测备受重视。机动车保有量飞速增民，但随着城市化进程的迅速发展，道路基础设施建设的滞后，道路交通阻塞的问题日益严重。公路客运量是交通科学管理的基础性数据资料，能够反映出公路运输产出成果，对提高公路交通管理层次及建立畅通、高效的公路交通系统，具有重要意义。准确预测需求量，既有利于公路等基础设施建设投资计划、货运枢纽规划合理布局以及运输生产组织高效管理，又能完善综合交通系统的规划、评价。公路客运量是交通科学管理的基础性数据资料，能够反映出公路运输产出成果，对提高公路交通管理层次及建立畅通、高效的公路交通系统，具有重要意义。
准确的预测公路客运量是制定和检查运输生产计划、研究运输发展规模和速度的重要指标，对公路客运量需求的准确预测和分析具有很强的现实意义。公路客运量受到多方影响，有系统内部因素影响也有系统外部因素影响。为提高公路客运量的预测精度，选择与公路客运量相关的主要社会指标(包括汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率)。运用科学的预测分析方法可以能够科学准确地预测公路客运量，掌握公路客运量发展的趋势、特点、规律和数量，可以很好地为制定公路网发展规划、交通发展战略、行业管理和决策等做先期准备。
多层前向反馈式神经网络是目前应用比较广泛的神经网络，其中BP算法是最著名的多层前向反馈式神经网络训练算法。早在1982年，Rumelhart,Mcclelland及他们的同事成立了PDP小组，研究并行分布信息处理方法，探索人类认知的微结构。并于1985年发展了BP网络(Back Propagation Network，简称BP网络)学习算法。非线性系统输出的时间序列往往复杂多变，既有多种周期类波动，又呈现非线性升、降趋势，还受未知随机因素的干扰，同时历史数据彼此间存在相关关系。BP神经网络具有强的非线性拟合能力，即可以利用BP神经网络来实现公路客运量的预测。同时利用SBS特征选择方法来挑选出最佳的特征组合，找到对公路客运量影响最大的特征组合，以方便进一步的研究控制客运量或者指定相应的政策措施。
发明内容
本发明的目的是提出一种基于SBS-BP神经网络的公路客运量预测方法，利用BP神经网络建立公路客运量数学预测模型，并且利用SBS算法优化特征改进BP算法模型，使得公路客运量预测模型性能更加优越。为达此目的：
本发明提供基于SBS-BP神经网络的公路客运量预测方法，具体步骤如下：
步骤1：收集整理所获得的数据并将获取的数据进行转化整合。影响公路客运量的数据特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将各数据归一化处理；
步骤2：建立数据集，包括汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率七个影响公路客运量的特征和一个预测的目标输出公路客运量；
步骤3：将数据集中的原始数据划分为训练样本和测试样本，训练样本用于训练网络模型，测试样本用于测试验证模型的有效性性能；
步骤4：构造BP神经网络模型，将影响公路客运量预测的特征值作为网络输入，输出为预测公路客运量参数，即网络输入量和输出量的维数分别为7和1。并且通过不断调整BP神经网络参数达到最佳的预测效果；
步骤5：利用SBS算法不断选择特征集合，用不同的排列组合特征送入网络进行训练，最终找到最佳的影响公路客运量的特征。
作为本发明进一步改进，所述步骤1中归一化的计算公式入下：
其中xi表示归一化前的数据，xi *表示归一化后的数据xmax、xmin分别表示数据的最大值和最小值。
作为本发明进一步改进，所述步骤4中梯度计算公式入下：
Δw(i,j)为当前的梯度值，η为学习率，
为当下权重和偏置的梯度求偏导。
本发明提供基于SBS-BP神经网络的公路客运量预测方法，具体设计优点如下：
1、本发明通过BP神经网络较强的非线性预测能力较好地完成了公路客运量影响因素和公路客运量之间的非线性关系拟合，能够精确地预测了公路客运量。
2、该方法利用SBS特征选择方法完成了特征的排列组合，能够得到最佳的特征值组合方式，充分考虑了特征之间的相关性，从而找到最佳的影响公路客运量的特征因素。
3、SBS优化后的特征建立BP模型具有更加的网络预测性能，能够提升网络的精度和鲁棒性。
4、本方法通过建立BP神经网络并利用SBS特征优化方法，在公路客运量预测实际应用中神经网络的预测可行性高，有实际的工程应用价值。
附图说明
图1是本发明整体算法原理流程图；
图2是BP神经网络结构示意图；
图3是BP算法原理流程图。
图4是SBS算法原理流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于SBS-BP神经网络的公路客运量预测方法，利用BP神经网络的强非线性拟合能力实现汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率七个特征和公路客运量一个输出参数的非线性拟合，并且利用SBS算法优化特征，使得模型性能得到提升并且可以得到最佳的影响因素。
本发明的整体算法原理流程如图1所示。
首先收集整理所获得的数据并将获取的数据进行转化整合。影响公路客运量的数据特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将各数据归一化处理。归一化处理后的数据利于BP神经网络进行训练，不容易导致梯度爆炸或者梯度消失，有利于网络模型的精确度和鲁棒性，其中归一化公式如下所示：
其中xi表示归一化前的数据，xi *表示归一化后的数据xmax、xmin分别表示数据的最大值和最小值。
影响公路客运量的因素有很多，在构建客运量预测模型时，要充分考虑到各个可能的因素，模型的因素指标越多，那么最后的预测精度越高。而在运用过程中，如果输入的因素指标过多，会导致模型过于复杂，一方面会增大计算负担，另一方面无法有效解决实际问题。此外，不同的指标之间存在一定的相关性，指标过多会使计算变得困难。所以，构建模型时尽量减少输入因素指标的个数，同时要保证不同因素指标之间有较好的独立性。处理完数据后就建立数据集，包括汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率七个影响公路客运量的特征和一个预测的目标输出公路客运量。
数据处理准备好后将数据集中的原始数据划分为训练样本和测试样本，训练样本用于训练网络模型，测试样本用于测试验证模型的有效性性能。
接着构造BP神经网络模型，将影响公路客运量预测的特征值作为网络输入，输出为预测公路客运量参数，即网络输入量和输出量的维数分别为7和1。BP神经网络的结构如图2所示。不断调整BP神经网络的参数设置，包括网络隐含层节点数、网络层数、训练算法、迭代次数、迭代误差、学习率等参数，不断调整使得预测模型性能越加优越。BP神经网络的原理流程图如图3所示，首先确定网络的结构及网络参数，然后送入输入和输出向量，完成阈值的初始化，通过不断地减小误差来优化各层的节点权重和阈值，以达到训练出最佳的网络模型。
其中Δw(i,j)为梯度，η为学习率，
为当下权重和偏置的梯度求偏导。
该算法模型基于Matlab2016b构建BP神经网络，网络结构包括一个输入层、一个隐含层和一个输出层，参数设置如下：
1、节点数：设置输入层、输出层节点数分别为7和1，经过多次训练试验确定隐含层节点数为12。
2、传递函数：层隐含层之间的传递函数分别为‘logsig’函数。
3、训练函数和学习函数分别设置为‘traingd’
4、训练结束的条件：最大训练次数为400000，训练目标误差为0.003，最小允许梯度值为1e-7，学习速率为0.006。
5、利用‘sse’函数评估网络性能。
利用SBS算法不断选择特征集合，用不同的排列组合特征送入网络进行训练，最终找到最佳的影响公路客运量的特征。序列后向选择方法是一种自上而下的方法。该方法在运行之初假定整个特征集合就是所需要的优化特征集。而后在算法的每步运行过程中删除一个对准则函数无贡献的特征，直到剩余特征个数符合集合基数要求。该方法的优势在于充分考虑特征之间的统计相关特性，SBS算法流程图如图4所示。
通过SBS算法优化后建立的BP神经网络具有很强的模型鲁棒性和精度，预测精度达到了96.8％，并且最终确定公路客运量影响因子为汽车保有量、人均GDP、人口总量和城市化率。即汽车保有量、人均GDP、人口总量和城市化率这四个特征值是对于影响客运量最大的四个影响因子，同时利用这四个特征建立的BP网络模型具有更加的预测能力。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (3)
1.基于SBS-BP神经网络的公路客运量预测方法，具体步骤如下，其特征在于,
步骤1：收集整理所获得的数据并将获取的数据进行转化整合。影响公路客运量的数据特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将各数据归一化处理；
步骤2：建立数据集，包括汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率七个影响公路客运量的特征和一个预测的目标输出公路客运量；
步骤3：将数据集中的原始数据划分为训练样本和测试样本，训练样本用于训练网络模型，测试样本用于测试验证模型的有效性性能；
步骤4：构造BP神经网络模型，将影响公路客运量预测的特征值作为网络输入，输出为预测公路客运量参数，即网络输入量和输出量的维数分别为7和1。并且通过不断调整BP神经网络参数达到最佳的预测效果；
步骤5：利用SBS算法不断选择特征集合，用不同的排列组合特征送入网络进行训练，最终找到最佳的影响公路客运量的特征。
2.根据权利要求1所述的基于SBS-BP神经网络的公路客运量预测方法，其特征在于：所述步骤1中归一化的计算公式入下：
其中xi表示归一化前的数据，xi *表示归一化后的数据xmax、xmin分别表示数据的最大值和最小值。
3.根据权利要求1所述的基于SBS-BP神经网络的公路客运量预测方法，其特征在于：所述步骤4中梯度计算公式入下：
Δw(i,j)为当前的梯度值，η为学习率，
为当下权重和偏置的梯度求偏导。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911314091.5A CN111160633A (zh) | 2019-12-19 | 2019-12-19 | 基于sbs-bp神经网络的公路客运量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911314091.5A CN111160633A (zh) | 2019-12-19 | 2019-12-19 | 基于sbs-bp神经网络的公路客运量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160633A true CN111160633A (zh) | 2020-05-15 |
Family
ID=70557301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911314091.5A Pending CN111160633A (zh) | 2019-12-19 | 2019-12-19 | 基于sbs-bp神经网络的公路客运量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160633A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529722A (zh) * | 2016-11-11 | 2017-03-22 | 合肥飞友网络科技有限公司 | 一种预估未来短期内机场旅客流量的方法 |
| CN108269399A (zh) * | 2018-01-24 | 2018-07-10 | 哈尔滨工业大学 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
-
2019
- 2019-12-19 CN CN201911314091.5A patent/CN111160633A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529722A (zh) * | 2016-11-11 | 2017-03-22 | 合肥飞友网络科技有限公司 | 一种预估未来短期内机场旅客流量的方法 |
| CN108269399A (zh) * | 2018-01-24 | 2018-07-10 | 哈尔滨工业大学 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MD. ZAKIR HOSSAIN: "Feature Selection of EEG data with Neuro-Statistical Method" * |
| 杨云峰: "基于Ｒelief-SBS 特征选择算法的入侵检测方法研究" * |
| 王浩等: "改进PCA-BP 神经网络模型在公路客运量预测的应用" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
| CN106373390B (zh) | 基于自适应神经模糊推理系统的道路交通状态评价方法 | |
| CN103853786A (zh) | 数据库参数的优化方法与系统 | |
| CN107480696A (zh) | 一种分类模型构建方法、装置及终端设备 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
| CN103714382A (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
| CN102034133A (zh) | 一种基于量子神经网络的多因素系统的综合评价方法 | |
| Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
| CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
| CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
| CN115496257A (zh) | 基于时空融合的短时车速预测 | |
| Wang et al. | Applying back-propagation neural network to predict bus traffic | |
| CN108320504A (zh) | 基于监测数据的动态od矩阵估计方法 | |
| CN108564810B (zh) | 一种车位共享系统及其方法 | |
| CN108873706A (zh) | 基于深度神经网络的圈闭评价智能专家推荐方法 | |
| CN109887290B (zh) | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 | |
| CN111160633A (zh) | 基于sbs-bp神经网络的公路客运量预测方法 | |
| Li et al. | A hybrid approach for short-term traffic flow forecasting based on similarity identification | |
| CN111999651A (zh) | 一种纯电动汽车用锂离子电池的功率性能测试方法 | |
| Zhengxiang et al. | Transport volume forecast based on GRNN network | |
| XINGWEI et al. | The comparison between ARIMA and long short-term memory for highway traffic flow prediction | |
| Zhu et al. | Selection of criteria for multi-criteria decision making of reservoir flood control operation | |
| CN113705891B (zh) | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 | |
| CN107273509A (zh) | 一种神经网络数据存储器、数据存储方法及数据查找方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |