基于改进可变学习速率BP算法的短时交通流预测.pdf

《基于改进可变学习速率BP算法的短时交通流预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于改进可变学习速率BP算法的短时交通流预测李晶，等基于改进可变学习速率BP算法的短时交通流预测木李晶，陈储培，邓洪敏，马遥(四川大学电子信息学院成都，610065)摘要：为了解决可变学习速率的BP神经网络(VLBP)在训练时容易陷入局部极小的问题，在VLBP的算法规则中引入模拟退火中的metropolis接受准则，使得在均方误差增量超过设定的界限值时，权值更新不总是被取消，而是以一定的概率被接受，构造了一种容易跳出局部极小的VLBP神经网络(MVLBP)。运用MVLBP算法对短时交通流进行预测，仿真结果表明，MVLBP神经网络训练收敛速度更快，且有较好的预测精度。关键词：VLBP

2、；Metropolis准则；局部极小；短时交通流预测中图分类号：rI’P183；u491文献标识码：ADOI编码：10．14叭6／j．cnki．1001—9227．2016．02．182Abst髓ct：Inordertosolvethelocalminimumproblemsofv捌ableleamingmteBPneumlnetwork(VLBP)intmining，themetIDpolisacceptancecriteriaintheSAalgorithmisintroducedtoVLBPneuralnetwork．Thentheweightupdateisnotalway

3、scanceUed，butacceptedwithacertainpIDbabilitvwhentheincrementofthemeansquareenDrexceedsthepresetvalue，amodifiedVLBPnetworkwhichcaneasilvhopfnmthelocalminimumisconst九Jcted(MVLBP)．TheMVLBPneuralnetworkisappliedtopredictshort—temtramcnow．Thesimulationresultsshowthatthismethodimpmvestheconvergences

4、peedandforecastingprecisionKeywords：VLBP；Metmpoliscriteria；Loealminimum；Short—te丌11tramcnowforecast0引言BP神经网络是一种应用反向传播算法进行学习、采用梯度下降算法调整系统参数的多层神经网络。BP网络具有很好的逼近非线性映射的能力，在信息处理、图像识别、模型辨识、系统控制等方面有很好的应用前景⋯，但因其存在着收敛速度慢，容易陷入局部极小等问题，限制了其在很多方面的实际应用，于是出现了许多BP网络的改进算法。改进算法的研究粗略地分成两类，第一类使用启发式信息的技术，这源于对标准反向传播

5、算法特定性能的研究；另一类研究集中在标准数值优化技术拉o。启发式技术包括可变学习速率的VLBP网络，使用动量‘3。41、引入惯性项、变步长法‘51等；数值优化技术包括共轭梯度法’6。、牛顿法¨1和Levenberg—Marquardt方法等。其中IJevenberg—Ma-quardt法是牛顿法的改进，同时具有梯度法和牛顿法的优点。但是，上述的改进方法都没有很好地改进网络容易陷入局部极小的缺点。考虑到模拟退火算法具有较强的局部搜索能力，能够在搜索过程中避免陷入局部最优解，因此，本文引入模拟退火算法中的metmpolis准则来增加VLBP算法的局部搜索能力，避免了VLBP算法过早收敛

6、和陷入局部最优解。通过构造一种容易跳出局部极小的VLBP神经网络，在均方误差增加值超过设定值时，仍然让权值更新以一定的概率被接受，使得网络更好地跳出局部极小点，并且给出了算法步骤。用训练好的MVLBP网络进行短时交通流预测，网络预测精度高于文献[2]中提出的VLBP神经网络，展现了良好的预测性能。1Metropolis准则¨o模拟退火算法(simlJlatedannealing，简称sA)的思想最早是由Metropolis等人1953提出的，1983年Kirkpatrick等将其用于组合优化。sA算法是基于Montecarlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体

7、物质的退火过程与一般组合优化问题之间的相似性。SA算法在某一初温下，伴随温度参数的不断下降，结合概率突跳特性在解空间收稿日期：2015—07—24+基金项目：国家自然科学基金资助项目(61174025)作者简介：李晶(1990一)，男，湖北荆州人，硕士，主要研究方向为神经网络，机器学习。·182·中随机寻找目标函数的全局最优解，即从局部极优解能概率性地跳出并最终趋于全局最优解。SA算法源于对实际固体退火过程的模拟，加温时，粒子的热运动会增强，使其偏离平衡位置。当温度足