基于RBF的民航客运量预测及MATLAB实现

基于GA、RBF和改进Cao方法的空中交通流预测方法*王莉莉▲赵云飞（中国民航大学天津市空管运行规划与安全技术重点实验室天津300300）摘要：针对传统空中交通流量预测方法精度不足、时效性差的问题，考虑空中交通流量时间序列的混沌特征，在相空间重构理论的基础上，研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。

为降低传统Cao方法人为参数选择引入的误差，提高相空间重构精度，通过判定虚假邻近点，以及迭代比较嵌入维度离差和可接受偏差，确定重构相空间嵌入维度值的选择标准，进而得到重构后的空中交通流量时间序列数据；为提升径向基神经网络预测精度并降低参数误差，使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值，再通过最优系数标定后的神经网络对重构后的时间序列进行预测；利用实际空中交通流量数据进行仿真以验证方法的有效性，并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。

结果显示：①改进后的预测方法具有更好的非线性拟合能力，提高了交通流量时间序列的预测精度；②以5min时间间隔预测为例，相比传统RBF神经网络，改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%；③相比反向传播（BP）神经网络和长短期记忆（LSTM）神经网络，所提方法的平均绝对误差分别降低了36.20%和16.10%，运行速度分别提高了27.42%和35.00%。

综上所述，所提方法能更好地解析系统的混沌特性，提升空中交通流量预测精度与速度。

关键词：航空运输管理；空中交通流量预测；混沌时间序列；改进Cao方法；径向基神经网络中图分类号：V355.1文献标识码：A doi:10.3963/j.jssn.1674-4861.2023.01.012A Method for Predicting Air Traffic Flow Based on a CombinedGA,RBF,and Improved Cao MethodWANG Lili▲ZHAO Yunfei(ATM Operation Planning and Safety Techniques Key Lab of Tianjin,Civil Aviation University of China,Tianjin300300,China)Abstract:Considering the chaotic characteristic of air traffic flow time series data,a prediction model based on the phase space reconstruction theory is proposed to improve the accuracy and effectiveness of previous air traffic flow prediction methods,which combines genetic algorithm(GA),radial basis function(RBF)neural network(NN)and improved Cao method.First,to reduce the error introduced by the human in the traditional Cao method and improve the accuracy of phase space reconstruction,the criteria for determining the dimension of the reconstructed phase space is developed by identifying false neighboring points and iteratively comparing the deviation of the embedded dimension with its acceptable limits.In this way,reconstructed air traffic flow time series data is developed.Second-ly,to improve the prediction accuracy of the traditional RBF neural network,GA is employed to optimize center vec-tors,weight coefficients,and output layer thresholds of the neural network.Then,the reconstructed time series are predicted by the calibrated RBF neural network with optimal coefficients.Finally,the proposed method is verified using the observed air traffic flow data,the effectiveness of the prediction is evaluated,and the influence of the time scale on the accuracy is analyzed by incorporating the maximal Lyapunov exponent and the quality of the predic-收稿日期：2022-06-02*国家自然科学基金委员会与中国民用航空局联合基金项目（U1633124）资助▲第一作者（通信作者）简介：王莉莉（1973—），博士，教授.研究方向：空中交通流量管理.E-mail：*****************tion.Study results show that①the proposed method fits the nonlinear data well and improves the accuracy of traffic flow prediction.②Taking the prediction with a5-min time interval as the instance,compared with the traditional RBF neural network,the mean absolute errors(MAE),mean square errors(MSE)and mean absolute percentage er-ror(MAPE)is reduced by19.44%,34.78%,and27.21%,respectively.③Compared with the back propagation(BP) neural network and the long short-term memory(LSTM)neural network model,the MAE of the proposed method is reduced by36.20%and16.10%,respectively,and the response speed is increased by27.42%and35.00%.In sum-mary,the proposed method can explain the intricate chaotic properties of the system and improves the accuracy and efficiency of air traffic flow prediction.Keywords:air transport management;air traffic flow prediction;chaotic time series;improved Cao method;radial basis function neural network0引言空中交通系统受外界环境影响产生了很强的随机性，但航路的固定性、航空器的跟驰性等又使其存在确定性，这正是以非线性、复杂性和随机性为特征的混沌系统的体现。

基于QPSO-RBF神经网络的交通流量预测方法王惟【摘要】提出一种粒子群优化神经网络的预测方法,首先基于改进的量子行为粒子群算法对神经网络进行训练,以保证各权值和阈值能得到最优解,同时时训练样本进行了基于聚类算法的优选.最后进行了仿真验证,证明本文方法用于短时交通流量预测可以获得较高的精度并且误差稳定,为交通流量预测的实际应用提供了一种参考.【期刊名称】《太原师范学院学报（自然科学版）》【年(卷),期】2015(014)002【总页数】5页(P28-32)【关键词】RBF神经网络;量子行为粒子群算法;交通流量;预测【作者】王惟【作者单位】晋中学院数学学院,山西晋中030600【正文语种】中文【中图分类】O29我国的城市交通拥堵已经成为了城市生活面临的主要问题之一,交通拥堵导致了严重的能源浪费和环境污染,对生产和生活均带来了不利影响．准确及时的预测交通流量的变化,可以为提前疏导和分流提供技术支持,是高效利用道路网络,实现城市智能交通的基础[1]．然而实际上,影响交通变化的因素众多,如上游路段交通状况[1]、时间因素、当前交通状况等,且各因素对结果的作用过程复杂,属于典型的复杂非线性时变系统．由于各影响因素与结果之间的具体关系没有显式表达式或高精度的逼近表达式,这就给使用传统数学方法预测交通流量带来了很大困难．因此诸多学者求诸人工智能方法,如时间序列分析法[2],神经网络法[3-7],支持向量机方法[8],等．其中神经网络方法因具有良好的学习能力和容错能力而得到了广泛的应用[3,4],并取得了良好的效果．在众多的神经网络类型中,RBF网络的逼近能力尤为突出[4,9,10],为此本文即采用一种改进型的RBF网络进行交通流量的预测．RBF神经网络作为一种典型的有导师学习网络,其输入与输出之间的映射性能取决于训练样本和训练方法,而映射性能的优劣又决定了其预测精度的高低．为此,文献[3,5,8]采用了基于灰色理论的改进方法,文献[4,11]采用了粒子群的方法进行神经网络的训练,均取得了较好的效果．本文则应用了寻优搜索性能更好的量子行为粒子群优化算法(记为QPSO)进行网络的训练,同时,基于聚类分析原理对训练样本的构成进行了优化．一般情况下,影响交通流量的因素有之前时段和当前时段交通状况,上游交通状况,不同时间点的影响,等．那么可以认为存在这样的关系:在式(1)中,Xt=(Vt,Ut,t),Vt=(v1,v2,…,vn)表示本路段上游n个路口的交通流量,Ut=(ut-1,ut-2,…,ut-m)表示本路段之前m个时间段内的交通流量,t表示当前时刻,X称为输入向量,yt表示对应的t时刻的交通流量,称为输出向量．如果求得映射关系F(·),就预测下一时刻的交通流量值yt了．显然,映射关系F(·)为一复杂的高维函数,一般的初等表达式难以准确描述这种关系．为了解决这一问题,本文使用RBF 神经网络,实现对(1)式的高精度逼近:其中Γ(·)在表示输入量与输出量之间的映射关系．RBF神经网络的结构如图1所示[10]:令(Vt,Ut,t,yt)表示由各影响因素与对应的交通流量信息构成的欧氏空间中的点,那么当这些点的数量足够大时,即可实现对F(·)的高精度插值逼近．RBF神经网络是基于高维插值理论而构造的,当结构、激励函、权值、阈值等合理时,就可以实现Γ的功能[12]．经典的RBF训练一般通过聚类算法完成,经聚类后的一组子样本就构成一个神经元．对网络进行合理的训练后,网络中形成的映射关系可以用数学的方式表达为: 其中:在式(3)和(4)中, 指输入层和隐层之间的第i个神经元和第j个神经元的权值,bj则为隐含层中第j个神经元上的阈值,xi表示输入层中第i个神经元对应的输入量,‖·‖是欧氏范数．网络的结构、权值和阈值都通过学习算法确定后,即可在网络中形成由Xt到yt的映射,即得到了影响交通流量变化的输入值和输出值之间的对应关系．2.1 基于粒子群优化的训练方法在利用粒子群优化算法训练神经网络的工程中应用中,每一个粒子都是一个可能的解向量,粒子个体通过以下规则进化搜索,实现寻优[12-14]:在上式(5)中的符合意义与文献[12-14]一致．那么这些粒子也就是待求的经元数量、权值、阈值构成的一个向量,起始位置就是这一向量的初始值．即:通过搜索寻优得到的粒子的最优“位置”也就是所求的能使神经网络的性能最优的神经元数、权值和阈值．粒子群优化因其特定的进化算法和搜索过程,存在着诸如早熟、不能保证搜索整个可行解空间等问题．所以本文中改进后的量子行为粒子群算法实现神经网络的整体优化．QPSO的解算框架更简单,协同能力也得到了很大提高,这就增强了搜索全局最优解的能力[13,14]．QPSO典型改进之处在于引入了势点(p点)的概念[13],用以表示每个进化中的粒子都可能会随机收敛于某一点,这也是AQPSO算法对量子思想的体现．对于势点的数学描述为:同时定义:式中pi,j是单个粒子的当前最优位置,而pg则通过式(8)求解,式(8)中的a是在0与1之间的一个随机数,式(9)中的f(·)称之为适应度函数,用以衡量粒子进化的效果,在本文中设定f(·)为下式中的函数,用以描述当前的权值和阈值下被训练的神经网络的理论输出与实际输出的符合程度:式(11)中则表示进化过程中的粒子的个数．这时,粒子位置的表达形式为:其中u为0～1之间的随机数,当u≥0.5时,±取—,当u<0.5取为粒子群的当前平均最优位置,β称之为速度系数[14,15]．为了获得更优的训练效果,文中将β取为自适应变量,即:同时将式(13)改进为:2.2 基于因子分析的样本优选所谓聚类分析就是指根据被研究对象的某些特征,把相似性较高的个体归为一类,也可以认为是一个子集[16,17]．一般的聚类算法是一种称之为“硬划分”的规划方法,但这并不适合每一种具体的情况,像神经网络的训练样本这种数据,其间没有明确的隶属关系,此时就需要对聚类进行相对模糊的定义,也就更适合软划分方法．为此本文使用了一种广泛应用的软划分方法,即模糊聚类方法,用以对训练样本进行优选．具体的操作过程,便是基于FCM的方法对神经网络的训练样进行聚类处理[16],所谓FCM算法可以转化为特定的数学规划问题,其原理为:在这里,X=(x1,x2,…,xn)为总的训练样本,并用s表示样本的维数,V=(v1,v2,…,vi,…,vc)为聚类中心,U是模糊划分矩阵,uij表示样本xj与聚类中心vi的隶属度,m是模糊因子．并且:uij=1．文中通过这样的方法求解U,V:这里c 表示聚类的类别数．那么聚类过程可以表述为:步骤1:选择合适的聚类数的范围[cmin,cmax];步骤2:对于c∈[cmin,cmax]:1)初始化聚类中心V;2)使用FCM算法更新参数U,V;3)判断算法的收敛性,如果不收敛,则转回(2),如果收敛,则转步骤(4);4)计算指标函数值V(c);步骤3:比较各指标函数值V(c),最大的指标函数值V(ci)里的ci就是所求的最佳聚类数;步骤4:确定样本的归类,若,则xj归入第i0类．将样本进行基于聚类的优化,是为了避免某一类型的样本的过分集中而导致神经网络的权阈值偏离最优解,毕竟神经网络的训练是从样本中寻找规律,所以样本选取的合理与否就在很大程度上决定了训练的效果,聚类之后需要人为删除一些过于集中的训练数据,使数据更均匀的分布在整个空间上．3.1 训练与预测选取晋中市某路段的交通数据进行预测试验,统计6天的车流量数据,从早上7点钟开始到晚上6点,将每隔10分钟的交通状况选取一次样本．将周一至周五的数据编制为训练样本,以第二周周一的数据进行测试．作为有导师学习的神经网络,其预测精度一方面取决于训练方法,另一方面取决于训练样本是否能真实反映系统特性．为了使样本分布均匀并且更具有“代表性”,根据式(1)中的量编制样本后,基于上文中的模糊聚类的方法优化训练样本,以提高训练效率见图2．从图2中可以直观的看出,基于优选样本和优化学习的训练方法误差下降速度快并趋于稳定．训练完成后进行测试．交通流量的预测效果如图3、4所示．3.2 数据分析从图3可以看出,本文提出的优化训练样本和训练过程的方法,预测精度较高,并高于普通RBF神经网络方法．由于模型误差和随机误差的存在,预测值和实际值之间仍有一定的偏差,这一方面是由于单日的交通流量受一些不可知因素的影响,且具有一定的随机性,另一方面就是由于神经网络的模型和输入神经元的选取,还无法达到最优．考虑外界的随机扰动和时间相关性,在神经网络方法中引入时间序列分析法[2],是今后有望进一步提高预测精度的途径之一,也是今后工作的一个方向．本文使用了RBF神经网络进行交通流量的预测,并对训练样本做了基于模糊聚类的优选,对训练算法做了基于自适应量子行为粒子群算法的改进．最后进行了预测测试,说明:1)基于RBF神经网络的方法用以预测交通流量具有较好的精度,对实际工程应用有一定的借鉴意义;2)本文使用的样本优选法和训练优化法可以在一定程度上提高预测精度．【相关文献】[1] Yubin Wan,Jan H.van Schuppen,Jos Vrancken.On-line distributed prediction of traffic flow in a large-scale road, network[J].Simulation Modelling Practice andTheory,2014,47(1):276-303[2] 吴建军,徐尚义,孙会君.混合交通流时间序列的去趋势波动分析[J].物理学报,2011,60(1):1-7[3] 陈淑燕,王炜.交通量的灰色神经网络预测方法[J].东南大学学报(自然科学版),2004,34(4):541-544[4] 崔吉峰,乞建勋,杨尚东.基于粒子群改进BP神经网络的组合预测模型及其应用[J].中南大学学报(自然科学版),2009,40(1):190-194[5] 张敬磊,王晓原.交通流灰色RBF网络非线性组合预测方法[J].数学的实践与认识,2011,41(19):1-7[6] Kranti Kumar,M.Parida,V.K.Katiyar.Short term traffic flow prediction for a non urban highway using Artificial Neural Network[J].Procedia-Social and BehavioralSciences,2013,104:755-764[7] LI Rui,CHEN Jian-ya,LIU Yun-jie,et al.WPANFIS:combine fuzzy neural network with multiresolution for network traffic prediction[J].The Journal of China Universities of Posts and Telecommunications,2010,17(4):88-93[8] 郑勋烨,黄晶晶.基于支持向量回归机的交通状态短时预测和北京某区域实例分析[J].数学的实践与认识,2010,40(10):76-85[9] 李自珍,白玫,黄颖.BP网络和RBF网络在期货预测中的比较研究[J].数学的实践与认识,2008,38(1):60-64[10] 隆金玲.Sum-of-Product神经网络和径向基函数神经网络逼近能力研究[D].大连:大连理工大学,2008[11] Vahid Fathi,Gholam Ali Montazer.An improvement in RBF learning algorithm based on PSO for real time applications[J].Neurocomputing,2013,111(2):169-176[12] George E.Tsekouras.A simple and effective algorithm for implementing particle swarm optimization i n RBF network’s design using input-output fuzzyclustering.Neurocomputing,2013,108(2):36-44[13] Sun J,Feng B,Xu W.Particle swarm optimization with particles having quantum behavior[C]//Evolutionary Computation,2004.CEC2004.Congress on.IEEE,2004,1:325-331 [14] J.Sun,W.Fang,V.Palade,et al.Quantum-behaved particle swarm optimization with Gaussian distributed local attractor point[J].Applied Mathematics and Computation, 2011,218(7):3763-3775[15] 孔丽丹,孙俊,须文波.基于全局层次的自适应QPSO算法[J].计算机工程与应用,2007,43(26):50-53[16] 朱文婕,吴楠,胡学钢.一个改进的模糊聚类有效性指标[J].计算机工程与应用,2011,47(5):206-209[17] 张敏,于剑.基于划分的模糊聚类算法[J].软件学报,2004,15(6):858-868。

Matlab技术在交通流量预测中的应用案例分享交通流量对于城市的交通管理至关重要。

无论是改善交通拥堵，优化信号配时，还是规划交通基础设施，准确的交通流量预测都是必要的。

而近年来，随着计算机和数学建模技术的快速发展，Matlab作为一种强大的科学计算工具，在交通流量预测中的应用也日益受到重视。

一、交通流量预测的意义交通拥堵是城市发展面临的一大挑战。

交通流量预测能够为城市交通管理者提供重要的决策支持。

通过准确预测交通流量，可以及时调整信号配时，优化交通路线，甚至规划新的交通基础设施。

这些都有助于减少拥堵，提高交通效率，提升居民出行品质。

二、数据获取与预处理交通流量预测需要大量的交通数据支持。

一般来说，交通数据可以通过传感器、摄像头或其他监测设备收集得到。

在数据收集过程中，需要考虑数据的时空分布特点，并确保数据的可靠性和完整性。

此外，还需要对收集到的原始数据进行预处理，包括数据清洗、特征提取等步骤。

Matlab作为一种强大的数据分析和处理工具，可以帮助我们高效地完成这些任务。

三、基于时间序列的交通流量预测模型时间序列分析是交通流量预测中常用的方法之一。

它通过对历史交通数据进行分析，建立起交通流量与时间的关系模型，从而进行未来交通流量的预测。

Matlab提供了丰富的时间序列分析工具箱，如ARMA、ARIMA、GARCH等模型。

这些工具可以帮助我们方便地进行时序数据建模和预测。

四、基于机器学习的交通流量预测模型近年来，机器学习技术在交通流量预测中的应用也越来越广泛。

机器学习算法可以通过对大量交通数据的学习和训练，建立起交通流量与其他因素之间的非线性关系模型。

Matlab作为一种流行的科学计算工具，集成了各种机器学习算法，如决策树、支持向量机、神经网络等。

这些算法可以帮助我们构建出特定场景下的交通流量预测模型。

五、城市交通流量预测案例分析在实际应用中，Matlab技术已经成功地应用于各种城市交通流量预测项目中。

摘要在全球的电脑产业中，各电脑制造厂商之间的竞争日趋激烈，各公司在不断寻求能够适应市场发展的方法。

为了提升公司竞争力和企业服务质量，高效的售后维修服务尤为重要，保持适量的库存是保证优质售后服务的基础，可以有效提高企业的服务水平。

于是库存控制应运而生，库存控制是为了让库存量控制在最佳状态，既不能出现过度积压的情况，也不能出现库存短缺的情况。

连带料件是电脑零件中的一种特殊零件，连带料件又被称作为附加料件，连带料件可以单独使用，除此之外，当维修过程中使用到主料件时，连带料件需要捆绑使用。

因其特殊性，如果连带料件的数量不足，主料件也无法使用，会造成产品的闲置，导致工程滞留，会带来更大的影响。

针对这一现状，对连带料件的库存预测模型的研究具有重大意义和实用价值。

论文主要完成了以下工作：（1）针对连带料件的产品特性，介绍了数据统计规则，分析了影响连带料件需求的相关因素；为了减弱异常值对需求预测准确度的影响，采用四分位距法来筛选异常值并将其剔除。

（2）提出ARIMA-RBF组合预测模型对连带料件需求进行预测。

首先采用ARIMA模型进行需求量预测，然后通过善于处理多维向量的RBF神经网络来解决ARIMA模型的缺陷，加入需求影响因素对ARIMA的预测误差进行修正。

RBF神经网络的核心是基函数中心的选取，本文通过k-means找到训练样本的聚类中心，并以此聚类中心作为RBF神经网络的基函数中心，通过这种方式选择的中心更具有代表性。

（3）本文将ARIMA-RBF组合预测模型与单一ARIMA预测法、指数平滑法等多种预测方法预测方法的实验结果进行对比，验证了该组合模型有效提高了连带料件的需求预测精度，具有较好的效果。

关键词：库存预测，ARIMA，RBF神经网络，连带料件AbstractIn the global computer industry, the competition among computer manufacturers is becoming increasingly fierce, companies are constantly seeking management methods that can adapt to the development of the market. In order to improve the company's core competitiveness and service quality, efficient after-sales maintenance service is particularly important, maintaining adequate inventory is the basis of ensuring quality after-sales service, appropriate inventory management can effectively improve the service level of enterprises. So inventory control arises at the historic moment. Inventory control is to control the inventory in the best state, neither excessive backlog nor shortage of inventory can occur. Related parts is a special part of computer parts. Related parts are also called additional parts, it can be used alone. In addition, When the main parts are used in the maintenance process, related parts needs to be bundled and used. Because of its particularity, if the quantity of related parts is insufficient, the main parts can not be used, which will cause idle products and engineering detention, it will bring greater impact. In view of this situation, it is of great significance and practical value to study the inventory forecasting model related parts.This thesis mainly completes the following work:（1）For the product characteristics of the related parts, the statistical rules of data are introduced, and the related factors affecting the demand of the connected materials are analyzed . In order to reduce the influence of outliers on the accuracy of demand forecasting, the quartile distance method is used to screen outliers and eliminate them.（2）The ARIMA-RBF combined forecasting model is proposed to predict the demand for related parts. Firstly, the ARIMA model is used to predict the demand, and then the defect of the ARIMA model is solved by the RBF neural network which is good at processing multidimensional vectors, the prediction error of ARIMA is corrected by adding the demand influencing factors. The core of the RBF neural network is the selection of the basis function center. This thesis finds the clustering center of the training samples through k-means, and uses the cluster center as the base function center of the RBF neural network. The center selected by this method is more representative.(3) This thesis compares the ARIMA-RBF combined forecasting model with the experimental results of multiple predictive methods such as single ARIMA forecasting method and exponential smoothing method, and proves that the combined model effectively improves the accuracy of demand forecasting of related ,and it has good effect.Keywords: Inventory forecast, Autoregressive Integrated Moving Average Model, Radial basis function neural network, Related part目录摘要 (I)Abstract (II)目录 (III)第一章绪论 (1)1.1引言 (1)1.2国内外研究现状 (2)1.2.1 库存控制发展 (2)1.2.2 预测方法发展 (3)1.3 论文研究目的及意义 (4)1.4 论文研究内容 (5)1.5论文组织结构 (5)第二章相关技术 (7)2.1 时间序列预测法 (7)2.1.1 ARIMMA预测法 (7)2.1.2 指数平滑预测法 (8)2.2 人工神经网络预测法 (9)2.2.1 BP神经网络 (9)2.2.2 RBF神经网络 (12)2.3 本章小结 (13)第三章库存数据预处理 (14)3.1 库存影响因素 (14)3.2 库存数据预处理 (15)3.3 本章小结 (19)第四章预测模型设计与实现 (20)4.1基于ARIMA-RBF的预测模型设计 (20)4.2 ARIMA预测实现 (22)4.3基于RBF神经网络的预测误差修正实现 (28)4.4可视化实现 (34)4.5 本章小结 (35)第五章实验结果与分析 (36)5.1 实验准备 (36)5.2 评判指标 (36)5.3 实验结果分析 (37)5.4 本章小结 (43)第六章总结与展望 (44)6.1 工作总结 (44)6.2 展望 (44)致谢 (46)参考文献 (47)第一章绪论第一章绪论1.1引言现如今，在电子产品更新换代的速度越来越快的背景下，很多电脑生产厂商和代工厂的发展停滞不前，制约其发展的主要因素是现金流。

基于神经网络的铁路客运量优化预测
吴昕慧
【期刊名称】《计算机仿真》
【年(卷),期】2010(027)010
【摘要】研究铁路客运量的优化管理,可以为国家资源分配提供依据,铁路客运量预测对铁路企业的经营决策也有着良好的指导意义,针对传统RBF神经网络极易陷入局部最优问题,为了提高铁路客运量的预测精度,提出一种基于遗传优化RBF神经网络的铁路客运量预测方法(GA-RBFNN).GA-RBFNN首先用遗传算法优化神经网络的参数,并在遗传进化过程中保留最优个体的方法,选择参数的最优解来建立最优预测模型.以我国1985-2008年铁路客运量数据对GA-RBFNN进行仿真,结果表明,采用经遗传算法优化后的RBF神经网络模型比传统RBF神经网络有更高的预测精度和收敛速度,适用于铁路客运量等非线性预测问题,具有较高的预测精度和应用价值.
【总页数】4页(P168-170,174)
【作者】吴昕慧
【作者单位】柳州铁道职业技术学院,广西,柳州,545007
【正文语种】中文
【中图分类】TP183
【相关文献】
1.混沌粒子群优化神经网络在铁路客运量预测中的应用 [J], 赵清艳;熊茂华
2.基于遗传优化神经网络的铁路客运量预测研究 [J], 郭文;乔谊正
3.铁路客运量的神经网络与遗传算法优化预测 [J], 王枭
4.改进粒子群算法优化LSTM神经网络的铁路客运量预测 [J], 李万;冯芬玲;蒋琦玮
5.基于小波神经网络对铁路客运量的预测研究 [J], 张鹏;唐琴琴
因版权原因，仅展示原文概要，查看原文内容请购买。

基于RBF神经网络的网络流量建模及预测
王俊松;高志伟
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(044)013
【摘要】随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义.根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型时网络流量进行预测.仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性.
【总页数】3页(P6-7,11)
【作者】王俊松;高志伟
【作者单位】天津大学,自动化系,天津,300270;天津大学,自动化系,天津,300270【正文语种】中文
【中图分类】TP393.07
【相关文献】
1.基于小波包的RBF神经网络网络流量混沌预测 [J], 冯兴杰;潘文欣;卢楠
2.基于EEMD与RBF神经网络的网络流量预测 [J], 刘付斌;冯丽娜
3.基于RBF神经网络的校园网络流量预测研究 [J], 邵雪梅;肖刚;祁辉;程辉
4.基于遗传RBF神经网络的无线传感器网络流量预测方法 [J], 杨治秋
5.基于RBF神经网络的校园网络流量预测研究 [J], 邵雪梅;肖刚;祁辉;程辉
因版权原因，仅展示原文概要，查看原文内容请购买。

基于粒子群优化的RBF神经网络交通流预测
赵建玉;贾磊;杨立才;朱文兴
【期刊名称】《公路交通科技》
【年(卷),期】2006(23)7
【摘要】交通流量预测一直是实时自适应交通控制的关键问题。

以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。

该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。

通过仿真,并与其他算法对比,表明了本文方法的有效性。

【总页数】4页(P116-119)
【关键词】粒子群优化;交通流;RBF网络;预测模型
【作者】赵建玉;贾磊;杨立才;朱文兴
【作者单位】山东大学控制学院
【正文语种】中文
【中图分类】U491.112
【相关文献】
1.基于粒子群优化算法的RBF神经网络在闸墩裂缝宽度预测中的应用 [J], 闫滨;王闯
2.基于粒子群优化RBF神经网络原油含水率预测 [J], 吴良海
3.粒子群优化RBF神经网络的短时交通流量预测 [J], 冯明发;卢锦川
4.一种基于优化的RBF神经网络交通流预测新算法 [J], 杨建华;郎宝华
5.基于改进粒子群算法优化小波神经网络的\r短时交通流预测 [J], 马梅琴;李风军;赵菊萍
因版权原因，仅展示原文概要，查看原文内容请购买。

RBF⽹络的matlab实现⼀、⽤⼯具箱实现函数拟合参考：(1)newrb()该函数可以⽤来设计⼀个近似径向基⽹络(approximate RBF)。

调⽤格式为：[net,tr]=newrb(P,T,GOAL,SPREAD,MN,DF)其中P为Q组输⼊向量组成的R*Q位矩阵，T为Q组⽬标分类向量组成的S*Q维矩阵。

GOAL为均⽅误差⽬标(Mean Squard Error Goal)，默认为0.0；SPREAD为径向基函数的扩展速度，默认为1；MN为神经元的最⼤数⽬，默认为Q；DF维两次显⽰之间所添加的神经元数⽬，默认为25；ner为返回值，⼀个RBF⽹络，tr为返回值，训练记录。

⽤newrb（）创建RBF⽹络是⼀个不断尝试的过程(从程序的运⾏可以看出来)，在创建过程中，需要不断增加中间层神经元的和个数，知道⽹络的输出误差满⾜预先设定的值为⽌。

(2)newrbe()该函数⽤于设计⼀个精确径向基⽹络(exact RBF)，调⽤格式为：net=newrbe(P,T,SPREAD)其中P为Q组输⼊向量组成的R*Q维矩阵，T为Q组⽬标分类向量组成的S*Q维矩阵；SPREAD为径向基函数的扩展速度，默认为1和newrb()不同的是，newrbe()能够基于设计向量快速，⽆误差地设计⼀个径向基⽹络。

(3)radbas()该函数为径向基传递函数，调⽤格式为A=radbas(N)info=radbas(code)其中N为输⼊（列）向量的S*Q维矩阵，A为函数返回矩阵，与N⼀⼀对应，即N的每个元素通过径向基函数得到A；info=radbas(code)表⽰根据code值的不同返回有关函数的不同信息。

包括derive——返回导函数的名称name——返回函数全称output——返回输⼊范围active——返回可⽤输⼊范围使⽤exact径向基⽹络来实现⾮线性的函数回归：%%清空环境变量clcclear%%产⽣输⼊输出数据%设置步长interval=0.01;%产⽣x1,x2x1=-1.5:interval:1.5;x2=-1.5:interval:1.5;%按照函数先求的响应的函数值，作为⽹络的输出F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);%%⽹络建⽴和训练%⽹络建⽴，输⼊为[x1;x2]，输出为F。