BP神经网络预测交通量

bp神经网络进行交通预测的Matlab源代码 BP 神经网络用于预测 使用平台 - Matlab7.0 数据为1986年到2000年的交通量 ，网络为3输入，1输出 15组数据，其中9组为正常训练数据，3组为变量数据，3组为测试数据

clc
clear

All_error=[];%所有误差存储

%---------------------------------------------------
%原始数据
%---------------------------------------------------
year=1986:2000;%数据是从1986到2000年的

p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;...
    378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;...
    527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]‘;%输入数据，共15组，每组3个输入
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];%输出数据，共15组，每组1个输出

%---------------------------------------------------
%数据归一化处理
%mapminmax函数默认将数据归一化到[-11]，调用形式如下
%[yps] =%mapminmax（xyminymax）
%x需归化的数据输入
%ymin，ymax为需归化到的范围，不填默认为归化到[-11]
%y归一化后的样本数据
%ps处理设置，ps主要在结果反归一化中需要调用，或者使用同样的settings归一化另外一组数据
%---------------------------------------------------
[normInputps] = mapminmax（p）;
[normTargetts] = mapminmax（t）;

%---------------------------------------------------
%数据乱序，及分类处理
%将输入的15组数据的20%，即3组，用来作为测试数据；
% 样本的20%，即3组，用来作为变化数据；
%另外9组用来正常输入，用来训练；
%dividevec（）用来重新随机抽取上述三种分类的数据，原来的顺序被打乱
%函数调用的语法
%[trainVvalVtestV] = dividevec（ptvalPercenttestPercent）
%输入p为输入数据，t为输出数据
%valPercent为训练用的变化数据在总输入中的百分比
%testPercent为训练用的测试数据在总输入中的百分比
%输出trainVvalVtestV分别为按乱序及相应百分比，抽取得到的数据
%另外，打乱后的数据，p和t都是对应的，请放心使用
%---------------------------------------------------
testPercent = 0.20;  % Adjust as desired
validatePercent = 0.20;  % Adust as desired
[trainSamplesvalidateSamplestestSamples] = dividevec（normInputnormTargetvalidatePercenttestPercent）;

for j=1:20
%---------------------------------------------------
% 设置网络参数
%---------------------------------------------------   
NodeNum1 = 20; % 隐层第一层节点数
NodeNum2=40;   % 隐层第二层节点数
TypeNum = 1;   % 输出维数

TF1 = ‘tansig‘;TF2 = ‘tansig‘; TF3 = ‘tansig‘;%各层传输函数，TF3为输出层传输函数
%如果训练结果不理想，可以尝试更改传输函数，以下这些是各类传输函数
%TF1 = ‘tansig‘;TF2 = ‘logsig‘;
%TF1 = ‘logsig‘;TF2 = ‘purelin‘;
%TF1 = ‘tansig‘;TF2 = ‘tansig‘;
%TF1 = ‘logsig‘;TF2 = ‘logsig‘;
%TF1 = ‘purelin‘;TF2 = ‘purelin‘;


net=newff（normInputnormTarget[NodeNum1NodeNum2TypeNum]{TF1 TF2 TF3}‘traingdx‘）;%网络创建


%---------------------------------------------------
% 设置训练参数
%---------------------------------------------------   
net.trainParam.epochs=10000;%训练次数设置
net.trainParam.goal=1e-6;%训练目标设置
net.trainParam.lr=0.01;%学习率设置应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛
%---------------------------------------------------
% 指定训练参数
%---------------------------------------------------
% net.trainFcn = ‘traingd‘; % 梯度下降算法
% net.trainFcn = ‘traingdm‘; % 动量梯度下降算法
%
% net.trainFcn = ‘traingda‘; % 变学习率梯度下降算法
% net.trainFcn = ‘traingdx‘; % 变学习率动量梯度下降算法
%
% （大型网络的首选算法）
% net.trainFcn = ‘trainrp‘; % RPROP（弹性BP）算法内存需求最小
%
% （共轭梯度算法）
% net.trainFcn = ‘traincgf‘; % Fletcher-Reeves修正算法
% net.trainFcn = ‘traincgp‘; % Polak-Ribiere修正算法内存需求比Fletcher-Reeves修正算法略大
% net.trainFcn = ‘traincgb‘; % Powell-Beal复位算法内存需求比Polak-Ribiere修正算法略大
%
% （大型网络的首选算法）
%net.trainFcn = ‘trainscg‘; % Scaled Conjug

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       6394  2010-09-30 10:27  BP_TrafficFlow\BP_TrafficFlow.m

     目录          0  2018-01-17 19:38  BP_TrafficFlow

----------- ---------  ---------- -----  ----

                 6394                    2