基于灰色人工神經(jīng)網(wǎng)絡(luò)組合模型的交通量預(yù)測

嚴(yán)　磊

(重慶大學(xué) 數(shù)理學(xué)院， 重慶　400044)

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)由于其具有良好的非線性映射能力、自學(xué)習(xí)自適應(yīng)能力和并行處理能力，已成為解決原始數(shù)據(jù)呈隨機性、非線性變化時交通量預(yù)測問題的有力工具，但其存在著易陷入局部極小，過度擬和以及網(wǎng)絡(luò)泛化能力差的問題[1]，且在樣本數(shù)據(jù)少，信息不充分時，其逼近精度和預(yù)測性能會大大降低；而具體到某一線路遠(yuǎn)景交通量預(yù)測時，由于過去交通量統(tǒng)計資料貧乏，又常存在可用數(shù)據(jù)樣本較少，信息不充分的情況。

論文針對上述問題，充分利用了無偏GM (1,1)模型弱化原始數(shù)據(jù)隨機性并增強規(guī)律性，建模過程中避免了由于傳統(tǒng)GM (1,1)模型自身建模方法理論上的不嚴(yán)格所導(dǎo)致的模型在預(yù)測過程中固有的偏差，消除了在原始數(shù)據(jù)序列增長較大時傳統(tǒng)GM(1,1)模型失效的現(xiàn)象的優(yōu)勢[2-3]和貝葉斯正則化神經(jīng)網(wǎng)絡(luò)的高度非線性和較強的泛化能力的特點[4-5]，將兩者結(jié)合起來，構(gòu)建無偏GM(1,1)-貝葉斯正則化神經(jīng)網(wǎng)絡(luò)的交通量組合預(yù)測模型，并將其應(yīng)用于實際中，模型精度和預(yù)測結(jié)果比較理想，優(yōu)于解決非線性交通量預(yù)測問題的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型。實驗表明，這樣一種新的信息處理和預(yù)測方法是有效可行的。

1　無偏GM(1,1)模型[2]

設(shè)有原始數(shù)據(jù)序列：X(0)=(x(0)(1),x(0)(2),…，x(0)(n))，滿足:x(0)(k)≥0，k=1,2,…，n. 利用該數(shù)據(jù)序列建立無偏GM(1,1)模型. 則有：

3) 確定數(shù)據(jù)矩陣

求參數(shù)列得：a*=[a,b]T=(BTB)-1BTY；

5) 建立原始數(shù)據(jù)序列模型：x′(0)(1)=x(0)(1)，x′(0)(k)=Aea′(k-1),k=2,3,….

2　貝葉斯正則化神經(jīng)網(wǎng)絡(luò)[4-5]

3　基于灰色神經(jīng)網(wǎng)絡(luò)的交通量組合預(yù)測模型

假設(shè)交通量原……