【RBF预测】基于粒子群优化RBF神经网络数据预测含Matlab源码

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);clearclc%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figurehold ongridsubplot(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。