1 简介
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RBF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.
2 部分代码
%newrb(P,T,goal,spread,MN,DF)函数
%P和T分别代表训练集的输入和输出，goal为均方误差的目标，SPREED为径向基的扩展速度，MN为最大的神经元个数，
%即神经元个数到了MN后立即停止网络训练，DF是每次加进来的网络参数，只是输出的时候用
%net = newrb(p_train,t_train,0.001,1,25,5);
clear
clc
%创建训练样本输入集
load data;
%归一化
data1=data';
data=mapminmax(data1,0,1);
data=data';
num=2;%对应四个特征
%建立训练集测试集
x_train=[data(1:48,1).';data(1:48,2).';data(1:48,3).';data(1:48,4).'];
x_test=[data(49:51,1).';data(49:51,2).';data(49:51,3).';data(49:51,4).'];
y_train=[data(2:49,num).'];
y_test=[data(50:52,num).'];
%创建、训练网络
net=newrb(x_train,y_train,0.001,1,25,5);
%在训练集和测试集上的表现
y_train_predict=sim(net,x_train);
y_test_predict=sim(net,x_test);
%作图 分别在训练集和测试集上
figure
hold on
grid
subplot(1,2,1)
plot(1:length(y_train_predict),y_train_predict,'*',1:length(y_train_predict),y_train,'o')
title('In Train data')
subplot(1,2,2)
plot(1:3,y_test_predict,'*',1:3,y_test,'o')
title('In Test data')
%求出误差 训练集和测试集
train_error=sum(abs(y_train_predict- y_train))/length(y_train);
test_error=sum(abs(y_test_predict- y_test))/length(y_test);
3 仿真结果
4 参考文献
[1]赵建玉, 贾磊, 杨立才,等. 基于粒子群优化的RBF神经网络交通流预测[J]. 公路交通科技, 2006, 23(7):4.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
