神經(jīng)網(wǎng)絡(luò)預(yù)測方法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)預(yù)測方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡(luò)；人口總數(shù)；預(yù)測

doi：10.3969/j.issn.1673 - 0194.2016.20.096

[中圖分類號]C921 [文獻(xiàn)標(biāo)識碼]A [文章編號]1673-0194（2016）20-0-02

0 引 言

人口總數(shù)又稱總?cè)丝跀?shù)，是指一定時點(diǎn)、一定地域范圍內(nèi)有生命活動的個人的總和。它不分性別，不分年齡，不分民族，只要是有獨(dú)立的生命活動就包含在人口總數(shù)之內(nèi)。人口總數(shù)是人口統(tǒng)計(jì)中最基本的指標(biāo)。標(biāo)準(zhǔn)人口總數(shù)，對于了解國情國力，制訂人口計(jì)劃和經(jīng)濟(jì)、社會發(fā)展計(jì)劃，進(jìn)行人口科學(xué)研究，都有十分重要的意義。傳統(tǒng)預(yù)測人口的方法主要有常微分方程方法、邏輯方法和動態(tài)預(yù)測法，這些方法對人口預(yù)測都有一定的作用，但采用這些方法，都需要對數(shù)據(jù)進(jìn)行模型假設(shè)，在實(shí)際情況中，模型往往都是非線性的，如果只是在簡單的模型假設(shè)下進(jìn)行數(shù)據(jù)分析，結(jié)果往往是不準(zhǔn)確的，達(dá)不到理想的預(yù)測結(jié)果。而神經(jīng)網(wǎng)絡(luò)對于復(fù)雜的、非線性的數(shù)據(jù)有曲線擬合能力?；贐P神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測方法，只需將歷年人口總數(shù)輸入，通過抑制和激活神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，自動決定影響性能的參數(shù)及其影響程度，自動形成模型，無需進(jìn)行模型假設(shè)，本文就是利用該方法對我國人口總數(shù)進(jìn)行預(yù)測。

1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)（Back Propagation），是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的，它是一種按照誤差逆向傳播算法，來訓(xùn)練的多層前饋的學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)中的各個神經(jīng)元之間的連接強(qiáng)度靠權(quán)值的大小來實(shí)現(xiàn)。權(quán)值的大小隨著網(wǎng)絡(luò)對訓(xùn)練樣本的增加、學(xué)習(xí)不斷地調(diào)整改變，優(yōu)化各個神經(jīng)元之間的連接強(qiáng)度，不斷提高整個網(wǎng)絡(luò)對訓(xùn)練樣本特征的反應(yīng)靈敏度和精確度。BP神經(jīng)網(wǎng)絡(luò)的最大優(yōu)點(diǎn)在于能夠在短時間內(nèi)學(xué)習(xí)和貯存大量輸入輸出模式映射，不需要知道這些映射關(guān)系的數(shù)學(xué)表達(dá)式，通過訓(xùn)練樣本反向傳播調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閥值，來達(dá)到網(wǎng)絡(luò)的誤差平方和最小的目的。BP網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其結(jié)構(gòu)如圖1所示。

2.1 人口總數(shù)數(shù)據(jù)采集

本文實(shí)驗(yàn)中所用人口數(shù)據(jù)取自《中國統(tǒng)計(jì)年鑒2015》，選取1970-2010年我國人口總數(shù)，應(yīng)用插值模型擬合，并推出2011-2014年人口的預(yù)測值，與2011-2014年實(shí)際人口數(shù)作對比，實(shí)驗(yàn)所用人口總數(shù)數(shù)據(jù)如表1所示。

2.2 人口結(jié)果預(yù)測數(shù)據(jù)

采用MATLAB工具箱實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)驗(yàn)結(jié)果如圖2、圖3、圖4、圖5所示。1970-2010年實(shí)際人口與預(yù)測人口誤差百分比如圖2所示，1970-2010年實(shí)際人口與預(yù)測人口數(shù)據(jù)如圖3所示。

2011-2014年人口誤差百分比如圖4所示，2011-2014年實(shí)際人口總數(shù)與誤差人口總數(shù)數(shù)據(jù)如圖5所示。

從圖4中可以看出，用BP神經(jīng)網(wǎng)絡(luò)預(yù)測人口總數(shù)誤差值小于1.05%；從圖5可以看出，預(yù)測2015年中國人口總數(shù)為138 883萬人，2016年人口總數(shù)為139 547萬人，2017年人口總數(shù)為140 188萬人。依據(jù)國家統(tǒng)計(jì)局所公布數(shù)據(jù)，2015年末中國人口總數(shù)已達(dá)到137 463萬人，與預(yù)計(jì)結(jié)果誤差為1.03%。

3 結(jié) 語

本文按照《中國統(tǒng)計(jì)年鑒2015》中的人口總數(shù)數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)，通過MATLAB軟件對1970-2010年中國人口總數(shù)數(shù)據(jù)進(jìn)行擬合，并對2011-2014年中國人口總數(shù)預(yù)測，然后與這4年中國人口實(shí)際數(shù)據(jù)進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，使用該方法的預(yù)測結(jié)果和實(shí)際值誤差很小，精確度較高，模型簡單易行，為中國人口總數(shù)預(yù)測提供了簡單快速且準(zhǔn)確的分析方法，有一定的實(shí)際應(yīng)用價(jià)值。

主要參考文獻(xiàn)

[1]杜國明.人口數(shù)據(jù)空間化方法與實(shí)踐[M].北京：中國農(nóng)業(yè)出版社，2008.

[2]宋健.人口控制與人口預(yù)測[M].北京：人民出版社，1981.

[3]程國建.神經(jīng)計(jì)算與生長自組織網(wǎng)絡(luò)[M].西安：西安交通大學(xué)出版社，2008.

[4]中華人民共和國國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒[M].北京：中國統(tǒng)計(jì)出版社，2015.

[5]劉琳h.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)量預(yù)測模型研究[J]. 綜合運(yùn)輸. 2016（08）.

[6]要亞斌，李淑琴，黃宇.基于神經(jīng)網(wǎng)絡(luò)的熱工系統(tǒng)辨識方法研究[J]. 計(jì)算機(jī)仿真，2016（8）.

[7]付克蘭，李輝，張霞.BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型及應(yīng)用[J]. 信息與電腦理論版， 2016（11）.

[8]季淵，陳文棟，冉峰，張金藝，David LILJA. 具有二維狀態(tài)轉(zhuǎn)移結(jié)構(gòu)的隨機(jī)邏輯及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J]. 電子與信息學(xué)報(bào). 2016（8）.

第2篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

關(guān)鍵詞：脫硫脫硝；BP神經(jīng)網(wǎng)絡(luò)；反向傳播；預(yù)測

中圖分類號：X73文獻(xiàn)標(biāo)識碼：A文章編號：16749944（2014）07021303

1技術(shù)背景

煤炭燃燒產(chǎn)生的煙氣中，含有大量的氮硫氧化物，這些氧化物直接排放到空氣中，會導(dǎo)致酸雨等自然災(zāi)害的發(fā)生。因此，各國都在積極研究煙氣脫硫脫硝技術(shù)。目前最新的技術(shù)是采用臭氧的強(qiáng)氧化性對煙氣中的NO進(jìn)行處理，使之溶解于水，降低煙氣中的氮硫氧化物。

現(xiàn)有的技術(shù)對于臭氧的添加采用的是PID控制，此控制技術(shù)經(jīng)過多年的發(fā)展，已經(jīng)相對成熟。其控制設(shè)備簡單，控制思路清晰，但在控制過程中也存在很多問題，比如對于大慣性環(huán)節(jié)控制滯后，震蕩過度等問題。在添加臭氧的過程中，通過檢測煙氣輸入端的氮硫氧化物的摩爾量，利用反應(yīng)方程式計(jì)算理想狀態(tài)下需要的臭氧摩爾量，然后再通過檢測通入堿性廢水中和前的NOx，SO2的濃度，完成PID調(diào)節(jié)，改變臭氧的添加量。

在添加的過程中，因?yàn)橛绊懗粞跆砑恿康母鱾€因素之間是非線性的，所以無法進(jìn)行單一的線性補(bǔ)償，導(dǎo)致臭氧添加量過大或者過少。過大會造成添加臭氧的浪費(fèi)，過小會使煙氣反應(yīng)不完全，導(dǎo)致煙氣排放不達(dá)標(biāo)，所以本發(fā)明的目的就是根據(jù)歷史數(shù)據(jù)對臭氧的需求量建立預(yù)測模型，通過數(shù)據(jù)的分析，預(yù)測臭氧的消耗量，以達(dá)到減少浪費(fèi)或者減少煙氣不達(dá)標(biāo)的情況。

人工神經(jīng)網(wǎng)絡(luò)是利用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)和功能的一門新學(xué)科[1]，能夠利用自身的優(yōu)良處理性能，解決高度非線性和嚴(yán)重不確定性系統(tǒng)的復(fù)雜問題，在此適合進(jìn)行對臭氧需求量進(jìn)行預(yù)測，所以提出建立一個三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，使用改進(jìn)的算法進(jìn)行訓(xùn)練，并對煙氣脫硫脫硝中臭氧需求量的預(yù)測的方法[2]。

2BP網(wǎng)絡(luò)及動量梯度下降算法

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的，一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，并且無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer）。

網(wǎng)絡(luò)學(xué)習(xí)規(guī)則又稱為 學(xué)習(xí)規(guī)則，對于給定的一組訓(xùn)練模式，不斷用一個個訓(xùn)練模式重復(fù)前向傳播和誤差反向傳播過程，各個訓(xùn)練模式都滿足要求時，則說明BP網(wǎng)絡(luò)已學(xué)習(xí)好了。從網(wǎng)絡(luò)學(xué)習(xí)的角度來看，網(wǎng)絡(luò)狀態(tài)前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網(wǎng)絡(luò)層與層之間的結(jié)構(gòu)也是雙向的。

BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性連續(xù)函，使得其特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題，即BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力；其次BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)和自適應(yīng)的能力。還有泛化能力，即BP神經(jīng)網(wǎng)絡(luò)具有將學(xué)習(xí)成果應(yīng)用于新知識的能力。容錯能力：BP神經(jīng)網(wǎng)絡(luò)具有一定的容錯能力，即使系統(tǒng)在受到局部損傷時還是可以正常工作（圖1）。

從（2）式可看出，如果比例系數(shù)μ=0，則為高斯-牛頓法；如果μ取值很大，則LM算法接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標(biāo)的時候，逐漸與高斯-牛頓法相似[4]。高斯-牛頓法在接近誤差的最小值的時候，計(jì)算速度更快，精度也更高。由于LM算法利用了近似的二階導(dǎo)數(shù)信息，它比梯度下降法快得多，實(shí)踐證明，采用LM算法可以較原來的梯度下降法提高速度幾十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解總是存在的，從這個意義上說，LM算法也優(yōu)于高斯-牛頓法，因?yàn)閷τ诟咚?牛頓法來說，JTJ是否滿秩還是個潛在的問題。

在實(shí)際的操作中，μ是一個試探性的參數(shù)，對于給定的μ，如果求得的 能使誤差指標(biāo)函數(shù) 降低，則E（w）降低；反之，則μ增加。用（2）式修改一次權(quán)值和閾值時需要求n階的代數(shù)方程（n為網(wǎng)絡(luò)中權(quán)值數(shù)目）。LM算法的計(jì)算復(fù)雜度為O（n3/6），若n很大，則計(jì)算量和存儲量都非常大。然而，每次迭代效率的顯著提高，可大大改善其整體性能，特別是在精度要求高的時候[5]。

3臭氧脫硫脫硝需求量的預(yù)測

以BP神經(jīng)網(wǎng)絡(luò)模型為原始模型，建立一個三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，使用改進(jìn)的算法進(jìn)行訓(xùn)練，并對煙氣脫硫脫硝中臭氧需求量的預(yù)測[6]，主要步驟分析為以下幾個方面。

（1）根據(jù)生產(chǎn)工藝流程，臭氧將難溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高價(jià)氧化物，通過堿性廢水進(jìn)行中和，同時脫硫脫硝的目的。通過分析可知，影響臭氧需求量的主要因素是：煙氣的流速，反應(yīng)前煙氣中氧氣的濃度，反應(yīng)中管道內(nèi)的平均氧氣濃度，反應(yīng)管道中臭氧與SO2的摩爾比，臭氧與NOx的摩爾比，氣體在反應(yīng)管道中的停留時間，堿性廢水吸收液的溫度，堿性廢水吸收液中堿離子的濃度和煙氣的溫度等因素。在此，選取以上影響因素作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量，通入的臭氧的流速作為輸出變量。

在建立BP神經(jīng)網(wǎng)絡(luò)模型過程中，隱含層節(jié)點(diǎn)數(shù)對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大的影響，節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合[7，8]。最佳隱含層節(jié)點(diǎn)數(shù)的選擇可參考如下公式。

4結(jié)語

改進(jìn)的BP網(wǎng)絡(luò)預(yù)測模型，對同時脫硫脫硝臭氧需求量進(jìn)行預(yù)測，訓(xùn)練算法采用動態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降算法，能夠更快的進(jìn)行訓(xùn)練，預(yù)測誤差也較小，預(yù)測值有很好的利用價(jià)值；通過對臭氧需求量的預(yù)測，能夠?qū)崟r的根據(jù)工況自動改變臭氧的添加量，既能滿足脫硫脫硝的技術(shù)要求，同時也可以降低臭氧的需求量，降低企業(yè)成本，提高公司效益。本文只是設(shè)計(jì)了方法，結(jié)果需要經(jīng)過試驗(yàn)進(jìn)行驗(yàn)證，并進(jìn)行改進(jìn)。

參考文獻(xiàn)：

[1] 吳昌設(shè).基于人工神經(jīng)網(wǎng)絡(luò)的電網(wǎng)日負(fù)荷預(yù)測研究[D].杭州：浙江大學(xué)，2011.

[2] 姜成科.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)報(bào)中的應(yīng)用 [D].大連：大連理工大學(xué)，2008.

[3] 劉曉悅，姚樂樂，聚類分析在超短期電力負(fù)荷中的應(yīng)用[J].河北聯(lián)合大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，35（3）：74～80.

[4] 沙瑞華.基于神經(jīng)網(wǎng)絡(luò)的水電機(jī)組動載識別研究[D].大連：大連理工大學(xué)，2005.

[5] 黃豪彩，楊冠魯.基于LM算法的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識[J].組合機(jī)床與自動化加工技術(shù)，2003（2）：6～8.

[6] 馮居易，郭曄.基于LM算法的石油期貨價(jià)格預(yù)測研究[J].技術(shù)經(jīng)濟(jì)與管理研究，2009（5）：19～21.

[7] 項(xiàng)灝，張俊.一種改進(jìn)的量子遺傳模擬退火算法及其在神經(jīng)網(wǎng)絡(luò)智能故障診斷中的應(yīng)用[J].機(jī)床與液壓，2012.40（13）：196～200.

第3篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

【摘要】 目的： 探討矽肺纖維化同生物活性介質(zhì)之間的關(guān)系。方法： 利用Delphi語言編制了BP人工神經(jīng)網(wǎng)絡(luò)模型計(jì)算機(jī)程序，建立并分析了矽肺膠原纖維預(yù)測的數(shù)學(xué)模型。結(jié)果： 選定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)為9，初始權(quán)值閾值約為(-0.2，0.2)，最大相對誤差為4%，最小相對誤差為0.2%。 結(jié)論： 應(yīng)用神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測效果，可為臨床醫(yī)學(xué)研究提供一個很好的研究思路。

【關(guān)鍵詞】 BP神經(jīng)網(wǎng)絡(luò)； 生物活性介質(zhì)； 矽肺； 膠原纖維； 預(yù)測

矽肺是塵肺中最嚴(yán)重的一種類型，是由于長期吸入超過一定濃度的含有游離二氧化硅的粉塵，肺內(nèi)發(fā)生廣泛的結(jié)節(jié)性纖維化。矽肺纖維化的預(yù)測困難，診斷滯后。目前，矽肺的發(fā)病機(jī)理仍然不完全清楚，尚無有效的早期診斷（篩檢）方法，也無早期診斷的特異性指標(biāo)和特異性的治療藥物和方法。一經(jīng)傳統(tǒng)的后前位胸大片確診，肺部病變已經(jīng)無法逆轉(zhuǎn)。因此，尋找早期診斷(篩檢)特異性的生物介質(zhì)組合，對預(yù)防、治療乃至最終消除矽肺具有重要意義。矽肺的發(fā)病與細(xì)胞因子（Cytokine，CK）網(wǎng)絡(luò)調(diào)控有密切聯(lián)系，高宏生等用系統(tǒng)生物學(xué)的方法論證了細(xì)胞因子對矽肺纖維化的網(wǎng)絡(luò)調(diào)控關(guān)系［1，2］，論證了細(xì)胞因子復(fù)雜非線性致炎致纖維化的網(wǎng)絡(luò)調(diào)控假說。王世鑫等用判別方程的方法，通過診斷肺纖維化正確率。矽肺纖維化與不同活性介質(zhì)、基因表達(dá)等多種因素密切相關(guān)［3］，因此預(yù)計(jì)是一個多目標(biāo)決策問題。傳統(tǒng)的預(yù)測方法是用多元線性回歸來進(jìn)行預(yù)測，統(tǒng)計(jì)者千方百計(jì)的想找出決策目標(biāo)和各因素之間找出一個線性的公式關(guān)系，試圖想用一個嚴(yán)格的數(shù)學(xué)模型公式表達(dá)出相應(yīng)的關(guān)系。實(shí)際上，具有良好的非線性的神經(jīng)網(wǎng)絡(luò)可以預(yù)測矽肺纖維化結(jié)果。本研究圖基于神經(jīng)網(wǎng)絡(luò)的方法預(yù)測生物活性介質(zhì)網(wǎng)絡(luò)調(diào)控的矽肺纖維化。

1 神經(jīng)網(wǎng)絡(luò)的基本理論

人工神經(jīng)網(wǎng)絡(luò)是基于對人腦組織結(jié)構(gòu)、活動機(jī)制的初步認(rèn)識提出的一種新型信息處理體系。通過模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以及某些活動機(jī)理，人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征，并具有人腦的一些基本功能。從本質(zhì)上講，人工神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模并行的非線性動力系統(tǒng)。它具有許多引人注目的特點(diǎn)：大規(guī)模的復(fù)雜系統(tǒng)，有大量可供調(diào)節(jié)的參數(shù)；高度并行的處理機(jī)制，具有高速運(yùn)算的能力；高度冗余的組織方式等。

在預(yù)測領(lǐng)域中應(yīng)用最廣泛的還是BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的學(xué)習(xí)算法是一種誤差反向傳播式網(wǎng)絡(luò)權(quán)值訓(xùn)練方法。實(shí)質(zhì)就象最小二乘法一樣，BP算法是在樣本空間中耦合這樣一個曲面，即使所有的樣本點(diǎn)均在這個曲面上，若這樣的曲面不存在，就找到離樣本點(diǎn)的距離之和最小的曲面作為近似解。

BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括：正向傳播和反向傳播。當(dāng)正向傳播時，輸入信息從輸入層經(jīng)隱單元處理，后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元的狀態(tài)。如果在輸出層得不到希望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的神經(jīng)連接通路返回。返回過程中，逐一修改各層神經(jīng)元連接的權(quán)值。這種過程不斷迭代，最后使得信號誤差達(dá)到允許的誤差范圍之內(nèi)。如圖1所示為3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

輸入層

隱含層

輸出層

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

設(shè)3層BP神經(jīng)網(wǎng)絡(luò)，輸入向量為X=(x1，x2，…xn)T ；隱層輸出向量為Y=(y1，y2，…ym)T ，輸出層向量為O=(o1，o2，…ol)T ，期望輸出向量為d=(d1，d2，…dl)T 。

對于輸出層，有ok =f(net)，netk=m j=0wjkyj ，k=1，2，…l

對于隱層，有yj =f(net)，netj=n i=0vijxi ，k=1，2，…m

f(x)=1 1+e-x ，BP學(xué)習(xí)算法權(quán)值調(diào)整計(jì)算公式為：

Δwjk=η(dk-ok)ok(1-ok)yj

Δvij=η(l k=1δ0k wjk)yj(1-yj)xi

δ0k =(dk-ok)ok(1-ok)

η∈(0，1)

2 應(yīng)用實(shí)例

2.1 矽肺預(yù)測的影響因素

大量研究表明，肺泡巨噬細(xì)胞和肺泡上皮細(xì)胞在肺組織炎癥反應(yīng)及纖維化病變的啟動、發(fā)展過程中起到最為關(guān)鍵的作用，主要是通過分泌細(xì)胞因子、炎性介質(zhì)等生物活性物質(zhì)，發(fā)揮直接或間接的生物學(xué)作用。這些CK包括：白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉(zhuǎn)化生長因子（transforming growth factor，TGF）等。根據(jù)分泌細(xì)胞因子不同將Th 細(xì)胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）等，主要介導(dǎo)細(xì)胞免疫應(yīng)答，與炎癥有關(guān)，具有抗纖維化作用，可抑制成纖維細(xì)胞的增殖及纖維的生成。Th2主要分泌白介素-4 （interleukin-4，IL-4）、白介素-5 （interleukin-5，IL-5）、白介素-10 （interleukin-10，IL-10）、白介素-13（interleukin-13，IL-13）、單核細(xì)胞趨化蛋白-1 （monocyte chemoattractant protein-1，MCP-1）等，而Th2主要介導(dǎo)體液免疫反應(yīng)，可促進(jìn)成纖維細(xì)胞的增生，導(dǎo)致膠原蛋白合成增加，并抑制膠原蛋白的降解，最終導(dǎo)致細(xì)胞外的基質(zhì)蛋白沉積和纖維生成。Th1 型和Th2 型免疫應(yīng)答之間存在著交互的負(fù)反饋?zhàn)饔?，維持著正常的免疫平衡。其負(fù)反饋調(diào)節(jié)通常就是靠產(chǎn)生的細(xì)胞因子起作用的，即一型CK可以下調(diào)另一型CK的功能。Th1/Th2型CK失衡可導(dǎo)致機(jī)體對損傷的異常反應(yīng)。總之，矽肺病人存在CK網(wǎng)絡(luò)的平衡紊亂，其錯綜復(fù)雜的調(diào)控機(jī)制可能參與矽肺的發(fā)生和發(fā)展［6~9］，如圖2所示。

圖2 細(xì)胞因子網(wǎng)絡(luò)調(diào)控圖

2.2 矽肺預(yù)測的BP網(wǎng)絡(luò)模型的設(shè)計(jì)

本研究運(yùn)用神經(jīng)網(wǎng)絡(luò)的模型方法，對矽肺預(yù)測進(jìn)行設(shè)計(jì)，得出其預(yù)測模型。

2.2.1 輸入層、隱含層、輸出層的設(shè)計(jì)

矽肺纖維化輸入層的確定：根據(jù)meta分析和微分方程網(wǎng)絡(luò)模型確定生物活性介質(zhì)為輸入層。

轉(zhuǎn)貼于

對于矽肺預(yù)測，應(yīng)當(dāng)依據(jù)其關(guān)鍵要素來確定輸入層各因素，在神經(jīng)網(wǎng)絡(luò)模型中，輸入層可以選定白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉(zhuǎn)化生長因子（transforming growth factor，TGF）等。根據(jù)分泌細(xì)胞因子不同將Th 細(xì)胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）作為輸入層，輸入單元數(shù)為8，隱含層節(jié)點(diǎn)的確定參考下面單元計(jì)算公式：

c=n+m+a

其中c 為隱層單元數(shù)，n為輸入神經(jīng)元個數(shù)，m 為輸出神經(jīng)元個數(shù)，a 為1~10之間的常數(shù)。本研究中，隱層單元數(shù)計(jì)算如下：

8+2+1≤c≤8+2+10

即：4.33≤c≤13.33

根據(jù)c 的計(jì)算值，由小到大改變節(jié)點(diǎn)數(shù)訓(xùn)練并檢驗(yàn)其精度，當(dāng)節(jié)點(diǎn)數(shù)的增加誤差不進(jìn)一步減小時，其臨界值即為應(yīng)采用的值。最后，經(jīng)過網(wǎng)絡(luò)的實(shí)際訓(xùn)練結(jié)果比較，選定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)為9，此時網(wǎng)絡(luò)能較快地收斂至所要求的精度。

2.2.2 初始權(quán)值的確定

在神經(jīng)網(wǎng)絡(luò)模型中，初始權(quán)值選取對于輸出結(jié)果是否最接近實(shí)際，及是否能夠收斂、學(xué)習(xí)時間的長短等關(guān)系很大。初始權(quán)值太大，使得加權(quán)之后的輸入和N落在了網(wǎng)絡(luò)模型的s型激活函數(shù)的飽和期中，從而會導(dǎo)致φ′(·)非常小，而由于當(dāng) φ′(·)0時，則有δ0，使得Δwji 0，最終使得調(diào)節(jié)過程沒有什么效果。所以權(quán)值及閾值的初始值應(yīng)選為均勻分布的小數(shù)經(jīng)驗(yàn)值，約為(-2.4/F，2.4/F)之間，其中F為所連單元的輸入層節(jié)點(diǎn)數(shù)。本模型輸入端節(jié)點(diǎn)數(shù)為11，所以初始值約為(-0.2，0.2)，可隨機(jī)選?。?］。

2.2.3 目標(biāo)值及學(xué)習(xí)步長的選取

對矽肺預(yù)測之前，應(yīng)先根據(jù)影響矽肺預(yù)測的因素進(jìn)行綜合預(yù)測。在實(shí)際操作時，還應(yīng)結(jié)合經(jīng)驗(yàn)值。若Sigmoid函數(shù)選取反對稱函數(shù)——雙曲正切函數(shù)，綜合評估指標(biāo)的目標(biāo)值D的范圍也應(yīng)在［-1，1］之間，也即是綜合指標(biāo)的無量綱數(shù)值在［0，1］之間。通常輸出單元的局部梯度比輸入端的大，所以輸出單元的學(xué)習(xí)的步長應(yīng)比輸入單元小一些［5］。

通過以上分析可得網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3。利用Delphi語言編制了BP人工神經(jīng)網(wǎng)絡(luò)模型計(jì)算機(jī)程序進(jìn)行訓(xùn)練集樣本訓(xùn)練，訓(xùn)練輸入節(jié)點(diǎn)數(shù)為8，表1為矽肺預(yù)測輸入訓(xùn)練樣本和檢測樣本，當(dāng)誤差給定E＝0.00005，學(xué)習(xí)步長為0.1，經(jīng)200次訓(xùn)練，網(wǎng)絡(luò)精度達(dá)到要求，如表2和圖4所示。表1 矽肺預(yù)測輸入訓(xùn)練樣本和檢測樣本表2 訓(xùn)練樣本訓(xùn)練次數(shù)網(wǎng)絡(luò)誤差

樣本經(jīng)200次訓(xùn)練后，網(wǎng)絡(luò)誤差滿足精度要求，隱含單元到各輸入單元的權(quán)值和閾值及輸出單元到各隱含單元的權(quán)值和閾值調(diào)整為表3和表4所示。

由于矽肺預(yù)測神經(jīng)網(wǎng)絡(luò)模型經(jīng)訓(xùn)練后，網(wǎng)絡(luò)精度已經(jīng)達(dá)到要求，可以用檢驗(yàn)樣本檢測預(yù)測效果，如表5所示。

從預(yù)測結(jié)果看，最大相對誤差為4.0%，最小相對誤差為0.2%，預(yù)測效果非常明顯，該網(wǎng)絡(luò)的檢驗(yàn)性能穩(wěn)定，可以很好的對矽肺進(jìn)行預(yù)測。表3 隱含單元到各輸入單元的權(quán)值和閾值表4 輸出單元到各隱含單元的權(quán)值和閾值表5 檢驗(yàn)樣本及矽肺預(yù)測結(jié)果

3 討論

本研究通過采用神經(jīng)網(wǎng)絡(luò)的方法，探討矽肺纖維化同生物活性介質(zhì)之間的關(guān)系，并建立了矽肺纖維化的影響因素和Ⅰ型膠原、Ⅲ型膠原的BP神經(jīng)網(wǎng)絡(luò)，從預(yù)測效果看，能夠較準(zhǔn)確的預(yù)測矽肺纖維化。但還應(yīng)當(dāng)看到神經(jīng)網(wǎng)絡(luò)應(yīng)用到預(yù)測還有許多不盡如意的問題，主要的弱點(diǎn)之一是它是一種黑盒方法，無法表達(dá)和分析被預(yù)測系統(tǒng)的輸入與輸出間的關(guān)系，因此，也難于對所得結(jié)果作任何解釋，對任何求得數(shù)據(jù)做統(tǒng)計(jì)檢驗(yàn)； 二是采用神經(jīng)網(wǎng)絡(luò)作預(yù)測時，沒有一個便于選定最合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)方法，只能花大量時間采用湊試法，從許多次實(shí)驗(yàn)中找出“最合適”的一種。本研究在矽肺預(yù)測上運(yùn)用神經(jīng)網(wǎng)絡(luò)建模上進(jìn)行了初步的探討，對網(wǎng)絡(luò)模型的拓展性、收斂性等問題還有待于進(jìn)一步的研究 。

參考文獻(xiàn)

1 高宏生， 伍瑞昌， 張雙德， 等. 基于meta分析和微分方程模型的肺纖維化細(xì)胞因子調(diào)控網(wǎng)絡(luò)研究. 軍事醫(yī)學(xué)科學(xué)院院刊，2008，32（3）：312~316.

2 高宏生，楊霞，丁朋，等. 應(yīng)用meta分析肺纖維化TNF-α的時空變化. 武警醫(yī)學(xué)院學(xué)報(bào)，2008，17（8）：561~562.

3 劉萍 王世鑫 陳蕾，等. 矽肺患者血清克拉拉細(xì)胞蛋白和表面活性蛋白D的改變. 中華勞動衛(wèi)生職業(yè)病雜志， 2007， 25(01):18~21.

4 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用.化學(xué)工業(yè)出版社，2001.

5 何海龍，王青海，王精業(yè).神經(jīng)網(wǎng)絡(luò)在裝備保障性評估中的應(yīng)用. 系統(tǒng)工程理論與實(shí)踐，2003，9：111~116.

6 Kohonen T.Self-Organization and Associative Memory. Berlin Heidelberg:Springer-Verlag，1984.

7 Lapedes A，F(xiàn)arber.Nonlinear signal processing using neural networks :prediction and system modelling［R］.Technical Report LA-UR-87-2662，Los Alam os National Laboratory.Los Alamos.NM，1987.

8 Wang CH， Mo LR， Lin RC， et al. Artificial neural network model is superior to logistic regression model in predicting treatment outcomes of interferon-based combination therapy in patients with chronic hepatitis C.Intervirology，2008，51(1):14~20.

9 Kato H， Kanematsu M， Zhang X，et al. Computer-aided diagnosis of hepatic fibrosis: preliminary evaluation of MRI texture analysis using the finite difference method and an artificial neural network.AJR Am J Roentgenol， 2007，189(1):117~122.

10 Piscaglia F， Cucchetti A， Benlloch S，et al. Prediction of significant fibrosis in hepatitis C virus infected liver transplant recipients by artificial neural network analysis of clinical factors. J Gastroenterol Hepatol， 2006，18(12):1255~1261.

第4篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

關(guān)鍵詞:負(fù)荷預(yù)測;神經(jīng)網(wǎng)絡(luò);唐山電網(wǎng);電力系統(tǒng);電力負(fù)荷

中圖分類號:TM714文獻(xiàn)標(biāo)識碼:A文章編號:1009-2374 (2010)13-0124-02

一、預(yù)測意義

唐山是具有百年歷史的沿海重工業(yè)城市,是河北省經(jīng)濟(jì)中心,同時也是中國經(jīng)濟(jì)發(fā)展前景最好的城市之一。特別是最近幾年,隨著國家產(chǎn)業(yè)結(jié)構(gòu)與河北戰(zhàn)略布局的調(diào)整,重大項(xiàng)目紛紛在唐山興建,預(yù)計(jì)在未來幾年唐山地區(qū)經(jīng)濟(jì)仍將快速增長。根據(jù)唐山電網(wǎng)用電情況統(tǒng)計(jì)數(shù)據(jù),唐山電網(wǎng)2001年用電量158.266億千瓦時,2008年用電量538.509億千瓦時,平均年增長17.9%。綜合考慮唐山地區(qū)經(jīng)濟(jì)發(fā)展與用電量增長因素,預(yù)計(jì)未來幾年唐山電網(wǎng)電力負(fù)荷將保持較高的增長。中長期電力負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃的基礎(chǔ),它在電力系統(tǒng)規(guī)劃、新發(fā)電廠和發(fā)配電系統(tǒng)的建立過程中起到重要的指導(dǎo)作用。為了滿足唐山電網(wǎng)負(fù)荷不斷增長的需要,增加供電可靠性,對該地區(qū)進(jìn)行科學(xué)合理的電力系統(tǒng)規(guī)劃勢在必行。因此,對唐山電網(wǎng)中長期的電力負(fù)荷進(jìn)行預(yù)測具有重要意義。

二、預(yù)測方法選擇

目前,電力負(fù)荷預(yù)測的研究已經(jīng)十分成熟,許多方法和模型被引用到電力負(fù)荷預(yù)測中,其中比較常用的預(yù)測方法有以下幾種:回歸分析法、時間序列法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法、灰色模型法、優(yōu)選組合預(yù)測法、小波分析預(yù)測技術(shù)等。以上負(fù)荷預(yù)測的方法都有自身的優(yōu)缺點(diǎn)以及適用范圍。電力系統(tǒng)專家經(jīng)過長期負(fù)荷預(yù)測實(shí)踐,建議中長期電力負(fù)荷預(yù)測使用時間序列法與灰色模型法。由于未來幾年唐山市將投產(chǎn)幾個重大項(xiàng)目,唐山電網(wǎng)負(fù)荷將呈現(xiàn)不規(guī)則的跳躍式增長。因此,按照常規(guī)的預(yù)測方法對唐山電網(wǎng)的用電負(fù)荷進(jìn)行預(yù)測將無法獲得較滿意的數(shù)據(jù)擬合度。神經(jīng)網(wǎng)絡(luò)算法能夠?qū)崿F(xiàn)較復(fù)雜的非線性映射,對大量的非結(jié)構(gòu)性、非準(zhǔn)確性規(guī)律具有自適應(yīng)能力,應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測,能夠得到比傳統(tǒng)預(yù)測方法更好的效果。因此,本文嘗試使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測唐山電網(wǎng)的用電負(fù)荷。

三、預(yù)測模型的建立

(一)確定神經(jīng)網(wǎng)絡(luò)輸入量

輸入層是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的第一層次,該層次輸入量的確定關(guān)系到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率。特征量取得太少,則不能起到區(qū)分判斷作用;取得太多則影響網(wǎng)絡(luò)的訓(xùn)練速度。因此,合理地選擇輸入量,能提高網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測精度。為了簡化模型的結(jié)構(gòu),提高預(yù)測的精度,本文綜合考慮中長期電力負(fù)荷預(yù)測的相關(guān)因素以及唐山電網(wǎng)的用電特點(diǎn),確定以下五種影響電力負(fù)荷的經(jīng)濟(jì)因素作為神經(jīng)網(wǎng)絡(luò)的輸入量即:“唐山地區(qū)的生產(chǎn)總值(GDP);第一產(chǎn)業(yè)用電量占總用電量的比重;第二產(chǎn)業(yè)用電量占總用電量的比重;第三產(chǎn)業(yè)用電量占總用電量的比重;生活用電量占總用電量的比重?！?/p>

(二)構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文應(yīng)用的神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和隱含層三層網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成。理論研究已證明對于任何在閉區(qū)間上連續(xù)的函數(shù),只要隱含層神經(jīng)元數(shù)目足夠多,就可以用只含一個隱含層的網(wǎng)絡(luò)結(jié)構(gòu)以任意精度來逼近,所以本文隱含層只取一層。第一層為輸入層,神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為五種影響唐山電網(wǎng)用電負(fù)荷的經(jīng)濟(jì)因素,因此該層的神經(jīng)元個數(shù)為5個;第二層是隱含層,隱含層神經(jīng)元數(shù)根據(jù)下式求得:

或或h=lg2n (1)

其中k為樣本數(shù),n為輸入層神經(jīng)元數(shù),m為輸出神經(jīng)元數(shù),h為隱含層神經(jīng)元數(shù),a為1～10之間的常數(shù)。第三層是輸出層,因?yàn)檩敵鼋Y(jié)果只有一個指標(biāo)即唐山電網(wǎng)某年的用電量,所以輸出神經(jīng)元的個數(shù)是1。從而確定本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5×3×1。

(三)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法

由于標(biāo)準(zhǔn)BP算法中,人為憑經(jīng)驗(yàn)選取學(xué)習(xí)率和動量因子,往往會對網(wǎng)絡(luò)學(xué)習(xí)速度產(chǎn)生較大影響,甚至?xí)驗(yàn)閷W(xué)習(xí)率選取不當(dāng)而導(dǎo)致學(xué)習(xí)中發(fā)生振蕩而不能收斂,這些缺點(diǎn)將影響整個預(yù)測的精度。本文采用改進(jìn)的批處理式Vogl快速算法,進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在網(wǎng)絡(luò)訓(xùn)練過程中根據(jù)訓(xùn)練的實(shí)際情況自適應(yīng)改變學(xué)習(xí)率η及動量因子α的大小:當(dāng)前的誤差梯度修正正確,則增大學(xué)習(xí)率,加入動量項(xiàng);否則減少學(xué)習(xí)率,甩掉動量項(xiàng)。這樣初始η值就可以相對隨意的選取,避免上述缺點(diǎn)。自適應(yīng)改變η及α的修正公式如下:

(2)

上式中ΔE=E(J)-E(J-1),表示神經(jīng)網(wǎng)絡(luò)前后相鄰兩次學(xué)習(xí)過程中誤差函數(shù)的變化量。φ略大于1,β略小于1。E (J)為神經(jīng)網(wǎng)絡(luò)第J次訓(xùn)練過程中的誤差函數(shù):

(3)

式中:pt',和Ot分別表示神經(jīng)網(wǎng)絡(luò)對應(yīng)于第t個輸入向量的期望輸出和實(shí)際輸出。

(四)預(yù)測實(shí)施

唐山電網(wǎng)2001～2008年用電量、生產(chǎn)總值以及各產(chǎn)業(yè)用電占比情況的歷史數(shù)據(jù)見表1:

表12001～2008年唐山電網(wǎng)用電情況統(tǒng)計(jì)

年份 生產(chǎn)總值

/萬元 用電量

/億千瓦時 一產(chǎn)用電

/% 二產(chǎn)用電

/% 三產(chǎn)用電

/% 生活用電

/%

2001年 9150473 158.266 3.8 83.4 5.5 7.2

2002年 9993543 180.420 3.3 84.6 5.5 6.6

2003年 11022878 233.638 2.2 87.7 4.8 5.3

2004年 17616311 290.260 1.7 89.1 4.5 4.7

2005年 20276374 358.800 2.4 89.1 4.0 4.5

2006年 23621410 432.752 2.1 89.3 4.2 4.5

2007年 27794190 520.020 1.3 90.5 4.1 4.1

2008年 36132447 538.509 1.2 90.0 4.4 4.4

根據(jù)2001～2008年唐山電網(wǎng)用電量的歷史數(shù)據(jù),分別使用時間序列法、灰色預(yù)測模型與神經(jīng)網(wǎng)絡(luò)算法對唐山電網(wǎng)的用電量進(jìn)行預(yù)測。使用2001～2006年的歷史數(shù)據(jù)預(yù)測2007年、2008年的用電量,并將預(yù)測結(jié)果與真實(shí)數(shù)據(jù)做對比,以分析三種預(yù)測方法的誤差。通過

Matlab軟件計(jì)算,三種預(yù)測方法的預(yù)測結(jié)果及誤差情況,見表2:

表2用電量預(yù)測值及誤差表

序號 年份 用電量 灰色模型 時間序列法 神經(jīng)網(wǎng)絡(luò)

預(yù)測值 誤差 預(yù)測值 誤差 預(yù)測值 誤差

1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%

2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%

通過上表我們可以看出以上三種預(yù)測方法的誤差除了時間序列法的誤差較高外,都在允許的范圍內(nèi)?；疑Ｐ团c神經(jīng)網(wǎng)絡(luò)算法都可以較準(zhǔn)確的預(yù)測出唐山電網(wǎng)的用電量。相比而言,神經(jīng)網(wǎng)絡(luò)算法預(yù)測對于歷史數(shù)據(jù)的擬合度更高,神經(jīng)網(wǎng)絡(luò)算法更適用于唐山電網(wǎng)中長期的電力負(fù)荷預(yù)測。因此,本文使用神經(jīng)網(wǎng)絡(luò)算法對唐山電網(wǎng)未來五年的用電負(fù)荷進(jìn)行預(yù)測,通過Matlab軟件計(jì)算,預(yù)測結(jié)果見表3:

表3唐山電網(wǎng)用電負(fù)荷預(yù)測

序號 年份 年用電量(億千瓦時) 年最大負(fù)荷(MW)

1 2009 584.282 7637.677

2 2010 625.182 8172.314

3 2011 665.819 8703.514

4 2012 725.077 9478.127

5 2013 781.633 10217.42

四、結(jié)論

本文研究了神經(jīng)網(wǎng)絡(luò)算法在唐山電網(wǎng)中長期電力負(fù)荷預(yù)測中的應(yīng)用。研究結(jié)果表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)算法比時間序列法、灰色模型有更高的預(yù)測精度,神經(jīng)網(wǎng)絡(luò)算法可以較準(zhǔn)確的預(yù)測唐山電網(wǎng)中長期的電力負(fù)荷。

參考文獻(xiàn)

[1]于之虹,郭志忠.數(shù)據(jù)挖掘與電力系統(tǒng)[J].電網(wǎng)技術(shù),2001,25(8).

第5篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

關(guān)鍵詞： 灰色系統(tǒng)模型，神經(jīng)網(wǎng)絡(luò)，電信業(yè)務(wù)預(yù)測

中圖分類號：TN92 文獻(xiàn)標(biāo)識碼：B

1 引言

電信業(yè)務(wù)預(yù)測是通信網(wǎng)絡(luò)分階段建設(shè)規(guī)劃的前提條件，同時也是規(guī)劃期內(nèi)電信業(yè)務(wù)量和投資預(yù)估的必要條件之一。預(yù)測方法的選擇直接關(guān)系到預(yù)測結(jié)果的精確程度。傳統(tǒng)的預(yù)測方法很多，如趨勢外推法，成長曲線法等，但這些預(yù)測方法預(yù)測結(jié)果均為平滑的曲線，無法直觀描述出電信業(yè)務(wù)隨季節(jié)及其他外部環(huán)境引起的波動。因此，神經(jīng)網(wǎng)絡(luò)法便給傳統(tǒng)預(yù)測方法進(jìn)行了很好的補(bǔ)充。近年來神經(jīng)網(wǎng)絡(luò)算法逐漸得到預(yù)測科學(xué)工作者的重視，已經(jīng)在預(yù)測領(lǐng)域中得到了廣泛的應(yīng)用，神經(jīng)網(wǎng)絡(luò)預(yù)測法是一種由多個神經(jīng)元以某種規(guī)則連接而形成的層次網(wǎng)絡(luò)結(jié)構(gòu)，其基本原理是這些神經(jīng)元之間“相互協(xié)作”，它有許多優(yōu)點(diǎn)，對環(huán)境因素引起的波動性具有良好的適應(yīng)性；對非線性輸入輸出關(guān)系的學(xué)習(xí)更具有優(yōu)越性，其描述問題的能力很強(qiáng)。但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法（如BP神經(jīng)網(wǎng)絡(luò)）是一種基于誤差函數(shù)梯度下降的學(xué)習(xí)方法，學(xué)習(xí)過程收斂速度較慢；其次，有些神經(jīng)網(wǎng)絡(luò)訓(xùn)練開始時初始權(quán)值是隨機(jī)給定的，這對網(wǎng)絡(luò)的訓(xùn)練效果也會有極大影響，甚至導(dǎo)致網(wǎng)絡(luò)陷入局部最小點(diǎn)。

灰色系統(tǒng)理論是一種研究少數(shù)據(jù)，貧信息、不確定性問題的新方法，它以部分信息已知、部分信息未知的“小樣本”、“貧信息”不確定系統(tǒng)為研究對象，通過對“部分”已知信息的生成、開發(fā)，提取有價(jià)值的信息，實(shí)現(xiàn)對系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控。

2 灰色神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及算法

3 數(shù)據(jù)來源及實(shí)證結(jié)果

對于移動通信運(yùn)營商來說，VLR用戶數(shù)（拜訪位置寄存器）隨節(jié)假日的波動很大，尤其是人口輸入/輸出城市，節(jié)假日大量外來人口的返鄉(xiāng)/外出，會給當(dāng)?shù)剡\(yùn)營商的核心網(wǎng)及無線載頻處理能力帶來較大的考驗(yàn)，因此，合理準(zhǔn)確的預(yù)測出該地市未來VLR用戶數(shù)可以很大程度上幫助運(yùn)營商為用戶數(shù)的變化做好系統(tǒng)的擴(kuò)容準(zhǔn)備工作。對于某個運(yùn)營商的VLR用戶數(shù)，影響其變化的因素很多，比如節(jié)假日，季節(jié)性因素，人均通信消費(fèi)指數(shù)，當(dāng)?shù)氐囊苿与娫捚占奥?，該運(yùn)營商收費(fèi)用戶數(shù)、品牌影響力，終端價(jià)格，競爭對手、市場特征等，本人根據(jù)各因素對VLR用戶數(shù)影響程度的大小，從中選取了該運(yùn)營商收費(fèi)用戶數(shù)、節(jié)假日、當(dāng)?shù)匾苿与娫捚占奥?、品牌影響力、競爭對?個最重要的因素來預(yù)測某地市移動運(yùn)營商的VLR用戶數(shù)。

該論文中，本人選取該地市的過去3年（36個月）的VLR用戶數(shù)進(jìn)行驗(yàn)證，首先取前30個月的數(shù)據(jù)作為訓(xùn)練樣本，通過灰色神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)100次后預(yù)測最后6個月的數(shù)據(jù)與實(shí)際VLR用戶數(shù)做比較，如圖4所示。

從上圖可以看出，灰色系統(tǒng)模型預(yù)測結(jié)果與實(shí)際值相比，誤差在10%以內(nèi)，并很好的反應(yīng)了VLR用戶的波動性，因此可以說明灰色系統(tǒng)模型比較適合小樣本預(yù)測問題，在實(shí)際預(yù)測中，若與傳統(tǒng)預(yù)測方法相結(jié)合，并合理加權(quán)，預(yù)測準(zhǔn)確度將更高。

4 結(jié)束語

本文為其他神經(jīng)網(wǎng)絡(luò)模型所存在易于陷入局部最優(yōu)解等缺陷而提出了基于灰色基礎(chǔ)模型的神經(jīng)網(wǎng)絡(luò)算法，并利用所設(shè)計(jì)的灰色系統(tǒng)模型神經(jīng)網(wǎng)絡(luò)算法，選擇我國某地市的移動公司VLR用戶數(shù)作為數(shù)據(jù)樣本，對該公司的VLR用戶數(shù)進(jìn)行預(yù)測，并對比其他神經(jīng)網(wǎng)絡(luò)模型，實(shí)證結(jié)果表明，灰色系統(tǒng)模型神經(jīng)網(wǎng)絡(luò)算法，相對其他神經(jīng)網(wǎng)絡(luò)而言，其預(yù)測效率和準(zhǔn)確率大大得到提高，在電信業(yè)務(wù)預(yù)測方面具有較好的應(yīng)用前景。

參考文獻(xiàn)：

[1]WANG Q， STOCKTON D J， BAGULEY P. Using neural networks in cost model development process [C].Proc of the 16th National Conf on Manufacturing Research， UK：Professional Engineering， 2000

[2]SMITH A E， MASON A K. Cost estimation predictive modeling： regression versus neural [J].Engineering Economist， 1997

[3]何 芳 陳 收：基于擴(kuò)展卡爾曼濾波的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法在股票預(yù)測中的應(yīng)用[J].系統(tǒng)工程，2003

[4]史峰：MATLAB 神經(jīng)網(wǎng)絡(luò)30個案例分析，北京航空航天大學(xué)出版社，2010.4

[5]Jatomder N D. Gupta， Sexton R S. Comparing back-propagation with a genetic algorithm for neural network training[J].Omega，1999，

第6篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

中圖分類號: TP273 文獻(xiàn)標(biāo)志碼:A

Gas emission prediction model of hybrid pi.sigma fuzzy neural network

PAN Yu.min*, ZHAO Li.yong, ZHANG Quan.zhu

College of Electronic Information Engineering, North China Institute of Science and Technology, Beijing 101601, China

Abstract:

A gas emission prediction model built by using reasoning method of hybrid pi.sigma fuzzy neural networks is proposed. The model adopts Gaussian function as a Fuzzy membership function, and the membership functions and conclusions parameters of the model can be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on, the simulation results show the effectiveness of the method. In order to facilitate the practical application, we develope a Graphical User Interface （GUI） application interface in the Matlab environment. To solve the problems of unstable prediction results of neural network, to set training accuracy, the contradiction between training accuracy and prediction accuracy, and evaluation of generalization ability of the neural network in prediction process, experimental research is carring out, and the conclusions are given.

A gas emission prediction model built by using reasoning method of hybrid pi.sigma fuzzy neural networks was proposed. The model adopted Gaussian function as a Fuzzy membership function, and the membership functions and conclusions parameters of the model can be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on, and the simulation results show the effectiveness of the method. In order to facilitate the practical application, we developed a Graphical User Interface （GUI） application interface in the Matlab environment. To solve the problems of unstable prediction results of neural network, to set training accuracy, the contradiction between training accuracy and prediction accuracy, and evaluation of generalization ability of the neural network in prediction process, experimental research was carried out, and the conclusions were given.

A gas emission prediction model established by using reasoning method of hybrid pi.sigma fuzzy neural networks was proposed. The model adopted Gaussian function as a fuzzy membership function, and the membership functions and conclusions parameters of the model could be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on. The gas emission data of a coal mine simulation results show that the prediction has a high accuracy, fast convergence and the prediction results can be repeated, it is proved that the method is effective. In order to facilitate the practical application, the authors developed a Graphical User Interface (GUI) application interface in the Matlab environment, and gave the method and prediction results. The experiments also show that, for the data, the generalization ability of the model is best when the training accuracy is set 0.001, and the training accuracy and the prediction accuracy of the model do not have positive relationship.Key words:

hybrid pi.sigma neural fuzzy network; gas emission; prediction; Graphical User Interface （GUI）

0 引言

瓦斯事故是煤礦安全生產(chǎn)中最主要的地質(zhì)災(zāi)害，也是制約煤碳生產(chǎn)可持續(xù)發(fā)展的“瓶頸”。預(yù)防與監(jiān)控瓦斯事故歷來受到世界各主要采煤國的高度重視，也是國內(nèi)外學(xué)者廣泛關(guān)注的重要課題，實(shí)現(xiàn)從源頭上治理瓦斯災(zāi)害，準(zhǔn)確預(yù)測瓦斯涌出量是解決問題的關(guān)鍵之一。

瓦斯涌出量是一個非常復(fù)雜的地質(zhì)參數(shù)，它受許多因素的影響，如地質(zhì)構(gòu)造、煤層厚度、煤體結(jié)構(gòu)、埋藏深度等自然因素，以及與開采技術(shù)相關(guān)，這些因素本身是隨機(jī)變量，各因素之間相互制約、互為因果。因此，瓦斯涌出量實(shí)際上是一個多變量、時變、灰色、高度非線性及復(fù)雜的動力學(xué)系統(tǒng)，通常很難精確預(yù)測。瓦斯涌出量的大小不僅反映不同煤層的危險(xiǎn)程度，同時也是決定開發(fā)新井、新采區(qū)、新工作面規(guī)模、通風(fēng)、安全技術(shù)水平的重要指標(biāo)以及煤層氣資源評價(jià)的基礎(chǔ)［1］。

對瓦斯涌出量的預(yù)測研究，以前蘇聯(lián)、波蘭、德國、英國、法國等起步較早；我國在這方面的研究最早的是煤炭科學(xué)研究總院撫順分院。目前，瓦斯涌出量的預(yù)測方法主要有：礦山統(tǒng)計(jì)法、瓦斯含量法、分源預(yù)測法、類比法、瓦斯地質(zhì)法、數(shù)學(xué)模型法、速度

預(yù)測法［2］，這些方法屬于線性預(yù)測法。近年來，出現(xiàn)了灰色系統(tǒng)預(yù)測、模糊綜合評判法、神經(jīng)網(wǎng)絡(luò)預(yù)測等非線性預(yù)測方法，其中以神經(jīng)網(wǎng)絡(luò)預(yù)測方法尤為突出，近年來獲得了廣泛應(yīng)用，取得了一系列研究成果[1-3,12］。

目前神經(jīng)網(wǎng)絡(luò)預(yù)測方法主要是以BP(Back.Propagation)和徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)為主。其顯著特點(diǎn)是僅借助于樣本數(shù)據(jù)， 即可實(shí)現(xiàn)由Rn空間(n為網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù))到Rm空間(m為輸出節(jié)點(diǎn)數(shù))的高度非線性映射，而且這種映射可以由足夠的訓(xùn)練樣本來保證。神經(jīng)網(wǎng)絡(luò)不依賴精確的數(shù)學(xué)模型，容錯性和魯棒性強(qiáng)，有很強(qiáng)的非線性函數(shù)逼近能力，為瓦斯涌出量這一高度非線性的預(yù)測提供了一個全新的途徑。

但是，在采用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)瓦斯涌出量預(yù)測模型時也存在如下幾個問題：

1)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)尚無統(tǒng)一的理論依據(jù)；

2)預(yù)測結(jié)果通常為隨機(jī)值；

3)機(jī)理缺乏透明度；

4)初始參數(shù)確定問題；

5)過度擬合現(xiàn)象；

6)局部極小問題。

其中大多數(shù)問題需要在實(shí)驗(yàn)過程中加以確定，采用試湊法，從多次實(shí)驗(yàn)中找出“最合適”的一種。由于影響神經(jīng)網(wǎng)絡(luò)預(yù)測能力的參數(shù)很多，上述方法未必能找到真正意義上的最合適的預(yù)測模型結(jié)構(gòu)和參數(shù)。為此，本文提出了一種采用混合pi.sigma模糊神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測的新方法，并開發(fā)了仿真預(yù)測可視化應(yīng)用界面。

1 混合pi.sigma模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)―模糊建模預(yù)測是近年來基于模糊集理論發(fā)展起來的一種新的預(yù)測方法。最新研究表明，將人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯推理相結(jié)合構(gòu)成的自適應(yīng)神經(jīng)―模糊推理系統(tǒng)具有收斂速度快、擬合能力強(qiáng)、預(yù)測精度高、網(wǎng)絡(luò)訓(xùn)練結(jié)果確定等優(yōu)勢，這些恰好是研究和建立煤與瓦斯突出危險(xiǎn)性預(yù)測方法追求的目標(biāo)。

模糊邏輯和神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的互補(bǔ)性，它們都是對同一參考系――人腦智能的模擬，因此具有自然的內(nèi)在聯(lián)系，類似“人腦”的軟硬件。神經(jīng)網(wǎng)絡(luò)中引入模糊邏輯可使網(wǎng)絡(luò)具有邏輯推理能力， 彼此優(yōu)勢互補(bǔ)，物理意義和推理過程清晰。

針對多維模糊推理中的推理規(guī)則龐大的問題，學(xué)者Takagi和Sugeno提出了一種新的模糊推理模型，即T.S模型[5]。該模型模糊規(guī)則中“if”部分與扎德規(guī)則中的“if”部分相似，但是其“then”部分是精確函數(shù)，通常是輸入變量的多項(xiàng)式。T.S模型可用少量的模糊規(guī)則生成較復(fù)雜的非線性函數(shù)，這在處理多變量系統(tǒng)時能有效地減少模糊規(guī)則個數(shù)，因而具有較大的優(yōu)越性。由于T.S模型結(jié)論參數(shù)是線性函數(shù)而非模糊數(shù)，在實(shí)際系統(tǒng)中結(jié)論部分不能直接從專家經(jīng)驗(yàn)和操作數(shù)據(jù)中得到，必須通過一定的算法進(jìn)行訓(xùn)練。因此，模型參數(shù)的辨識成為建立T.S型模糊系統(tǒng)的主要問題。

2.3 網(wǎng)絡(luò)泛化能力

為了評價(jià)網(wǎng)絡(luò)的預(yù)測性能，采用泛化能力進(jìn)行描述。泛化能力是指神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對新樣本的適應(yīng)能力，其目的是學(xué)習(xí)隱含在數(shù)據(jù)樣本中的規(guī)律，經(jīng)過訓(xùn)練后的網(wǎng)絡(luò)對非訓(xùn)練樣本也能給出合理的輸出，該能力稱為泛化能力。

泛化能力是評價(jià)網(wǎng)絡(luò)預(yù)測性能的重要指標(biāo)。需要指出的是，并非訓(xùn)練的次數(shù)越多或者設(shè)置的訓(xùn)練精度越高，就越能得出正確的預(yù)測結(jié)果。通常在網(wǎng)絡(luò)的訓(xùn)練初期是學(xué)習(xí)數(shù)據(jù)的變化趨勢，隨著訓(xùn)練次數(shù)的增加主要記憶樣本數(shù)值，因此過擬合狀態(tài)時對于非訓(xùn)練樣本的泛化能力反而變差。

此外，預(yù)測的準(zhǔn)確性與外部輸入樣本數(shù)據(jù)有很大關(guān)系，如果樣本數(shù)據(jù)不具有典型性和呈現(xiàn)一定的規(guī)律性，預(yù)測將失去意義。

泛化能力是衡量預(yù)測值與實(shí)測值差別的變量，采用平均相對變動值(Average Relative Variance，ARV)表示，ARV等價(jià)于網(wǎng)絡(luò)泛化能力。ARV越小，網(wǎng)絡(luò)的泛化能力越強(qiáng)，其表達(dá)式［14］為 :

ARV=∑Ni=1［x(i)－x^(i)］2∑Ni=1［x(i)－x(i)］2 (16)

其中:N是比較數(shù)據(jù)的個數(shù)，x(i)為實(shí)測數(shù)據(jù)，x(i)為實(shí)測數(shù)據(jù)的平均值，x^(i)為預(yù)測值。ARV越小，泛化能力越強(qiáng)。上述預(yù)測時的ARV=4.2658e-004，表明該預(yù)測模型有很強(qiáng)的泛化能力。

3 Matlab/GUI界面開發(fā)

目前，可視化界面開發(fā)以VC、VB多見，而利用Matlab/GUI進(jìn)行界面開發(fā)的很少。相對VC、VB，Matlab軟件在復(fù)雜的數(shù)值分析、矩陣運(yùn)算、信號及圖像處理等方面具有顯著優(yōu)勢。在瓦斯涌出量預(yù)測時需要處理大量的數(shù)據(jù)，同時利用Matlab編寫的程序更易于嵌入Matlab/GUI界面，而且具有方便、快捷和靈活的特點(diǎn)。

為便于實(shí)際工程應(yīng)用，按照上述混合pi.sigma模糊神經(jīng)網(wǎng)絡(luò)原理，在Matlab/GUI環(huán)境中開發(fā)了仿真系統(tǒng)界面，如圖3所示。Matlab/GUI界面使用M文件和GUIDE融合制作可視化GUI仿真預(yù)測系統(tǒng)界面［15］。

該仿真界面可以全面顯示網(wǎng)絡(luò)訓(xùn)練、預(yù)測及網(wǎng)絡(luò)參數(shù)等信息，使用者不需要知道代碼的具體內(nèi)容，只要了解操作步驟即可很方便地操作界面，界面直觀友好。該系統(tǒng)支持三種方式導(dǎo)入數(shù)據(jù)： 1) *.mat文件數(shù)據(jù)；2) * .txt數(shù)據(jù); 3) *.exl格式的數(shù)據(jù)。

操作流程：1)導(dǎo)入數(shù)據(jù)，選擇訓(xùn)練樣本和檢測樣本數(shù)；2)選擇合適的網(wǎng)絡(luò)參數(shù)；3)點(diǎn)擊“網(wǎng)絡(luò)訓(xùn)練”按鈕，將顯示訓(xùn)練曲線、預(yù)測結(jié)果圖形；4)點(diǎn)擊“預(yù)測結(jié)果”按鈕會顯示底部數(shù)據(jù)，點(diǎn)擊“Close”按鈕關(guān)閉系統(tǒng)。

4 結(jié)語

本文提出了一種新型瓦斯涌出量混合pi.sigma模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該模型具有物理意義清楚、原理和結(jié)構(gòu)透明、網(wǎng)絡(luò)訓(xùn)練速度快、預(yù)測精度高、預(yù)測結(jié)果非隨機(jī)等特點(diǎn)，并且隸屬函數(shù)和結(jié)論參數(shù)可在線調(diào)整，可充分發(fā)揮模糊邏輯和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢，仿真結(jié)果證明了所建模型的有效性。筆者對常規(guī)模糊神經(jīng)網(wǎng)絡(luò)同時進(jìn)行了實(shí)驗(yàn)比較，本文提出的方案明顯優(yōu)于一般模糊神經(jīng)網(wǎng)絡(luò)。通過開發(fā)Matlab/GUI界面，使仿真過程立體化，更接近工程實(shí)際應(yīng)用，具有直觀、可視化等特點(diǎn)，因此本文提出的預(yù)測模型具有一定的實(shí)際應(yīng)用前景。參考文獻(xiàn):

［1］

唐朝偉, 何國田, 徐昌彪, 等. 神經(jīng)網(wǎng)絡(luò)在采煤工作面瓦斯涌出量預(yù)測中的應(yīng)用［J］. 計(jì)算機(jī)應(yīng)用， 2007,27(12): 202-204.

［2］

王景山, 宋金棟, 張聰, 等. 礦井瓦斯涌出量預(yù)測方法綜述［J］. 能源技術(shù)與管理,2008(4): 49-51.

［3］

朱紅青, 常文杰, 張彬． 回采工作面瓦斯涌出BP 神經(jīng)網(wǎng)絡(luò)分源預(yù)測模型及應(yīng)用［J］．煤炭學(xué)報(bào), 2007, 32(5):504-508.

［4］

楊新, 張?zhí)占t, 余剛, 等. 基于ANFIS的選礦產(chǎn)品成本預(yù)測模型［J］. 系統(tǒng)仿真學(xué)報(bào)，2007,19(24):5688-5691.

［5］

傅惠, 許倫輝, 胡剛, 等. 基于Sugeno型神經(jīng)模糊系統(tǒng)的交通流狀態(tài)預(yù)測算法［J］. 控制理論與應(yīng)用，2010, 27(12):1637-1640.

［6］

楊奎河, 王寶樹, 趙玲玲. 模糊神經(jīng)網(wǎng)絡(luò)在非線性短期負(fù)荷預(yù)測中的應(yīng)用［J］. 控制理論與應(yīng)用，2004,21(5):791-794.

［7］

王士同. 神經(jīng)模糊系統(tǒng)及其應(yīng)用［M］.北京:北京航空航天大學(xué)出版社,1998: 210-245.

［8］

劉金錕. 智能控制［M］. 北京：電子工業(yè)出版社，2009: 162-164.

［9］

金耀初, 蔣靜坪. 一種模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［J］. 浙江大學(xué)學(xué)報(bào)，1995,29(3): 340-347.

［10］

修杰, 夏長亮, 王世宇. 開關(guān)磁阻電機(jī)的pi.sigma模糊神經(jīng)網(wǎng)絡(luò)建模［J］. 電工技術(shù)學(xué)報(bào)，2009,24(8):46-51.

［11］

彭曉波, 桂衛(wèi)華, 李勇剛, 等. 動態(tài)T.S遞歸模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［J］.系統(tǒng)仿真學(xué)報(bào)，2009,21(18) :5636-5644.

［12］

曲.采煤工作面瓦斯涌出量預(yù)測的神經(jīng)網(wǎng)絡(luò)模型［J］.中國安全科學(xué)學(xué)報(bào), 1999,9(2):42-45.

［13］

劉思峰, 謝乃明. 灰色系統(tǒng)理論及其應(yīng)用［M］. 北京: 科學(xué)出版社，2008: 48-52.

［14］

CHOLEWO T, ZURADA J M. Sequential network construction for time series prediction［C］// Proceedings of the IEEE International Joint Conference on Neural Networks. Houston:IEEE, 1997: 2034-2039.

第7篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

關(guān)鍵詞：新疆；棉花產(chǎn)量；神經(jīng)網(wǎng)絡(luò)；預(yù)測

中圖分類號：F32 文獻(xiàn)標(biāo)識碼：A

收錄日期：2012年9月5日

我國是紡織服裝業(yè)大國，棉花的穩(wěn)定供給對我國棉紡業(yè)意義重大。2011年新疆棉花種植面積2，393.9萬畝，產(chǎn)量289.8萬噸，連續(xù)19年保持面積、單產(chǎn)、總產(chǎn)、調(diào)出量全國第一。棉花產(chǎn)業(yè)發(fā)展的穩(wěn)定與否，不僅關(guān)系到國家棉花安全和棉紡工業(yè)穩(wěn)定發(fā)展，也關(guān)系到新疆農(nóng)村經(jīng)濟(jì)發(fā)展和社會的穩(wěn)定。而棉花產(chǎn)業(yè)的穩(wěn)定發(fā)展，離不開棉花產(chǎn)量的預(yù)測。分析與預(yù)測新疆棉花產(chǎn)量，不僅可以了解新疆棉花產(chǎn)量的走勢，而且有助于統(tǒng)籌安排新疆棉花的種植、消費(fèi)、出口等相關(guān)事宜，從而穩(wěn)定棉花市場的供求，同時兼顧棉農(nóng)的利益。

棉花屬于純經(jīng)濟(jì)作物，受市場價(jià)格變化影響很大，因此棉花種植面積具有很大波動性，同時氣候變化對于棉花產(chǎn)量的影響至關(guān)重要。因此，相比糧食作物來說，棉花產(chǎn)量的預(yù)測具有較大難度。

時間序列預(yù)測和灰色系統(tǒng)GM（1，1） 等模型均是假設(shè)所有的影響因素都蘊(yùn)含在單一歷史序列中，主要依靠總產(chǎn)量數(shù)據(jù)建立預(yù)測模型，需要的數(shù)據(jù)較少，比較容易操作；適合于具有長期趨勢的序列，對于波動比較劇烈的序列預(yù)測效果較差。目前，對新疆棉花產(chǎn)量預(yù)測的研究大部分都是此類。

回歸分析預(yù)測和神經(jīng)網(wǎng)絡(luò)預(yù)測屬于因果關(guān)系預(yù)測，假定一個因素的變動是由另一個或幾個變量引起的，通過掌握自變量的變動可以知道因變量的變動趨勢。要求占有盡可能多的資料，而對數(shù)列的波動趨勢沒有特別要求?；貧w分析需要假設(shè)關(guān)系的數(shù)量模型形式，然后用最小二乘法擬合，而神經(jīng)網(wǎng)絡(luò)則不需要假設(shè)數(shù)量關(guān)系的形式，通過反復(fù)多次的學(xué)習(xí)和訓(xùn)練達(dá)到模擬變量關(guān)系的目的。本文擬選用BP神經(jīng)網(wǎng)絡(luò)對棉花總產(chǎn)量進(jìn)行預(yù)測。

一、建立人工神經(jīng)網(wǎng)絡(luò)模型的方法

第8篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

關(guān)鍵詞：短時交通流預(yù)測；時空相關(guān)分析；BP神經(jīng)網(wǎng)絡(luò)；時間延遲

中圖分類號：TP391.9 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）03-0046-05

Abstract：Aiming at the shortage of traffic flow prediction based on single cross-section， the interaction of the adjacent cross-sections in the high speed road network is studied. Then according on the analysis of the spatial-temporal characteristics，a short-time traffic flow forecasting model based on the multiple cross-sections was established .The model is extended to the prediction model based on a single cross-section，and temporal-spatial characteristics of high speed traffic flow and time delay characteristics of space interaction are considered and they determine the input dimension of the forecasting model.Finally， BP neural network is the forecasting tool to estimate the prediction results.The experimental results show that the prediction model has higher prediction accuracy compared with the traditional single cross-section prediction model and improved the real-time performance and reliability of traffic flow prediction.It is of great significance to improve the traffic efficiency of high speed road.

Key Words：short-term traffic flow forecasting； spatio-temporal correlation analysis； BP neural network ； time delay

1 引言

高速公路作橐恢制氈榍抑匾的交通方式在客貨運(yùn)輸中發(fā)揮著重要的作用，實(shí)時有效的交通預(yù)測信息可以誘導(dǎo)出行者的行為、解決或緩解交通擁堵等問題[1]。由于高速公路基本路段的交通流是非間斷交通流，上下游間交通狀態(tài)相互影響，上下游交通流參數(shù)分布具有一定相似性和延遲性，即整個路網(wǎng)是一個相互關(guān)聯(lián)、相互影響的系統(tǒng)。對交通流進(jìn)行預(yù)測時，如果只考慮單一斷面的交通流數(shù)據(jù)，當(dāng)出現(xiàn)車禍、天氣惡劣等偶然因素時，交通流的波動性變大，預(yù)測的準(zhǔn)確性會降低[2]。目前國內(nèi)外學(xué)者逐漸將交通流的時空關(guān)聯(lián)性用于短時交通流預(yù)測中，Wu 等[3]采用時空隨機(jī)效應(yīng)模型對城市路網(wǎng)交通流量進(jìn)行預(yù)測，不僅考慮了目標(biāo)路段的歷史交通參數(shù)，還考慮了多個參考路段的交通參數(shù)；Min等[4]利用時空關(guān)聯(lián)性對實(shí)時路交通流進(jìn)行預(yù)測；邱世崇等[5]提出了一種基于時空特性分析和數(shù)據(jù)融合的預(yù)測方法，利用最小二乘動態(tài)加權(quán)融合算法將基于時間序列數(shù)據(jù)預(yù)測結(jié)果和空間回歸估計(jì)預(yù)測結(jié)果進(jìn)行融合輸出最終結(jié)果；丁閃閃等[6]提出了一種基于時空關(guān)聯(lián)和 BP_ Adaboost 的短時交通參數(shù)預(yù)測方法，先利用主成分分析對多個影響因素進(jìn)行預(yù)處理，再采用Adaboost 算法對 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。以上對路網(wǎng)時空相關(guān)性的考慮在一定程度上提高了預(yù)測精度，但往往忽略相鄰斷面空間相互作用的延遲性。

交通流短時預(yù)測預(yù)測方法主要分為兩類：第1類是基于傳統(tǒng)數(shù)理統(tǒng)計(jì)理論的方法，主要包括時間序列預(yù)測法、歷史均值預(yù)測法、卡爾曼濾波法[7]等；第2類是基于知識發(fā)現(xiàn)的智能模型，主要包括神經(jīng)網(wǎng)絡(luò)預(yù)測、非參數(shù)回歸預(yù)測、支持向量機(jī)[8]等。第1類預(yù)測方法優(yōu)點(diǎn)是方法模型簡單，缺點(diǎn)是隨著預(yù)測周期的縮短，交通流序列的非線性和隨機(jī)性增強(qiáng)，預(yù)測精度減小[9]。第2類預(yù)測方法可以充分逼近任意復(fù)雜的非線性和隨機(jī)性序列[10]，對短時交通預(yù)測具有很好的效果。其中，BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的模型網(wǎng)絡(luò)，具有很好的非線性逼近能力[11]。

本文首先通過時空相關(guān)分析得到與待預(yù)測斷面相關(guān)性較大的歷史時段和相關(guān)斷面，然后對相關(guān)斷面和對應(yīng)的時間延遲進(jìn)行重構(gòu)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。與傳統(tǒng)方法相比，該模型考慮了上下游相鄰斷面序列的時間延遲，融合了斷面交通流的時空特性及BP神經(jīng)網(wǎng)絡(luò)的非線性擬合優(yōu)勢，提高了短時交通流的預(yù)測精度。

2 交通流序列的相關(guān)性度量

交通流序列包含了交通流的特征和運(yùn)行規(guī)律，利用R/S分析來研究時間序列的長程相關(guān)性以及空間互相關(guān)系數(shù)來對空間斷面間交通流的相互作用進(jìn)行分析。

2.1 R/S分析

R/S分析主要是通過計(jì)算Hurst指數(shù)來判斷時間序列是否具有長程相關(guān)性[12]。Hurst指數(shù)的計(jì)算過程如下：設(shè)時間序列為，則t個時間序列數(shù)據(jù)的均值為

（1） 由此求得累計(jì)偏差

（2）

（3）

標(biāo)準(zhǔn)差

（4）

由公式（1）-（4）算出R/S，根據(jù)式（5）通過最小二乘法算出Hurst指數(shù)。

（5）

其中Hurst指數(shù)的取值范圍為。

2.2 互相關(guān)系數(shù)

互相關(guān)系數(shù)經(jīng)常用于研究復(fù)雜網(wǎng)絡(luò)各單元間的內(nèi)在相互作用關(guān)系[13]。對研究斷面和的交通流時間序列和，互相關(guān)系數(shù)）計(jì)算公式為：

（6）

為交通流時間序列和基于的互協(xié)方差，計(jì)算公式為：

（7）

交通流時間序列、的均值為、和標(biāo)準(zhǔn)差為、。其中：

（8）

（9）

式中：為時滯參數(shù)[14]，是指兩個序列之間的時間間隔，反映了兩序列的產(chǎn)生在時間上的先后關(guān)系。高速公路基本路段上游觀測點(diǎn)的車輛按照一定速度行駛，經(jīng)過一定的空間長度后達(dá)到下游觀測點(diǎn)，時滯參數(shù)即為交通流從上游傳遞到下游所涉及的時間上的延遲[15]，也稱為偏移時間。

3 交通流時空相關(guān)分析

時空相關(guān)分析研究空間中的對象隨時間變化的關(guān)系，反映了時空數(shù)據(jù)在時間和空間上的相互作用關(guān)系，本文利用四川省高速交通流斷面數(shù)據(jù)進(jìn)行分析和驗(yàn)證。

3.1 時間相關(guān)分析

對高速路交通流時間序列進(jìn)行R/S分析，采樣時間為15min，采樣點(diǎn)分別為96個（1天）、480個（5天）、960個（10天），分別計(jì)算出Hurst指數(shù)為0.69-0.88，見表1，均大于0.5小于1，說明交通流序列具有長程相關(guān)性，這表明該交通流時間序列具有分形特性，即交通流序列未來變化趨勢與歷史變化趨勢成正相關(guān)，意味著上一時刻交通流的狀態(tài)影響當(dāng)前r刻和下一時刻交通流的狀態(tài)，這也決定了交通流的預(yù)測要使用歷史時段的數(shù)據(jù)。

3.2 空間互相關(guān)分析

高速路交通流不僅隨時間變化，同時也受到空間因素的影響?，F(xiàn)階段對交通流空間變化特性的分析和描述認(rèn)為，交通流互相關(guān)性大小是空間距離的函數(shù)，隨著斷面間距離的增加，空間互相關(guān)性逐漸減小，對于同一路網(wǎng)，兩確定斷面間的空間互相關(guān)性隨著交通負(fù)荷的增大而增大。作為計(jì)算互相關(guān)系數(shù)大小的重要參數(shù)，時滯參數(shù)的大小同樣與空間距離有關(guān)。圖為研究斷面流量互相關(guān)系數(shù)及時滯參數(shù)與斷面間空間距離的關(guān)系?？梢钥闯觯ハ嚓P(guān)系數(shù)隨空間距離增加逐漸減小，減小至一定值時趨于平穩(wěn)。時滯參數(shù)在0～100Km范圍內(nèi)隨斷面間距增大而增大，間距超過100Km以后，在1～2間波動，主要原因是斷面間距過大，空間相互作用的影響變小。如圖1所示。

同時，兩斷面交通流序列的互相關(guān)系數(shù)大小也會隨著時滯參數(shù)變化而變化。任選兩上下游斷面，從圖2可以看出，兩斷面的互相關(guān)系數(shù)隨時滯的增大而減小，在時達(dá)到最大，在時互相關(guān)系數(shù)未達(dá)到最大，主要原因是兩斷面間的空間距離不能使交通流變化的相互作用立即體現(xiàn)。

4 基于BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型

根據(jù)時空相關(guān)分析結(jié)果可以找出與待測斷面時間相關(guān)性較大的歷史數(shù)據(jù)以及空間上相關(guān)性較大的幾個相關(guān)相鄰斷面，但是相鄰斷面間的空間相互作用是非線性的，所以建立預(yù)測模型時選取BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測工具。BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，BP神經(jīng)網(wǎng)絡(luò)的基本思想是輸入信號經(jīng)隱含層和輸出層的非線性函數(shù)作用后輸出，且通過調(diào)整輸入值、輸出值和權(quán)值對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練可以以任意精度逼近任意非線性函數(shù)。目前BP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)簡單、可操作性強(qiáng)、自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)已被廣泛用于模式識別、預(yù)測、函數(shù)擬合等領(lǐng)域。

4.1 預(yù)測模型的建立

該預(yù)測模型可簡述為：利用BP神經(jīng)網(wǎng)絡(luò)建立待預(yù)測斷面與相關(guān)斷面的歷史數(shù)據(jù)建立歷史值與預(yù)測值的映射關(guān)系，由于時滯參數(shù)的存在，相關(guān)斷面的流量序列數(shù)據(jù)要按照對應(yīng)的時滯進(jìn)行重構(gòu)。如圖3所示。

具體算法流程如下：

步驟1：確定待預(yù)測斷面與相關(guān)斷面

確定待預(yù)測斷面，根據(jù)時空特性分析確定與待預(yù)測斷面時空相關(guān)性較大的m 個相關(guān)斷面以及斷面與兩流量序列的時滯。

步驟2：獲取斷面數(shù)據(jù)

獲取待預(yù)測斷面當(dāng)前時刻t及t之前的r個時刻的交通流量以及相關(guān)斷面在時刻和時刻對應(yīng)的流量序列（即斷面經(jīng)時滯對的交通流產(chǎn)生影響）。

步驟3：明確訓(xùn)練樣本與預(yù)測樣本

確定訓(xùn)練樣本和預(yù)測樣本，其中，訓(xùn)練輸入為：

訓(xùn)練輸出為斷面當(dāng)前時刻t的流量值。預(yù)測輸入為：

步驟4：數(shù)據(jù)預(yù)處理

對輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，設(shè)和分別為為訓(xùn)練樣本的最小值，為歸一化后的交通值，通過公式（10）使訓(xùn)練樣本轉(zhuǎn)換到[0，1]區(qū)間。

（10）

步驟5：訓(xùn)練網(wǎng)絡(luò)及預(yù)測

利用訓(xùn)練集對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后將預(yù)測集輸入訓(xùn)練好的網(wǎng)絡(luò)，得到預(yù)測輸出后進(jìn)行反歸一化就可得到待預(yù)測斷面t+1時刻的流量。

4.2 預(yù)測模型的實(shí)現(xiàn)

本文采用的是MATLAB提供的神經(jīng)網(wǎng)絡(luò)工具箱，預(yù)測模型為一個三層前向型BP神經(jīng)網(wǎng)絡(luò)，輸入層和輸出層的節(jié)點(diǎn)數(shù)分別由輸入向量和輸出向量的維數(shù)決定，若輸入向量為m維數(shù)據(jù)，則根據(jù)Kolmogorov定理，隱含層的節(jié)點(diǎn)可為2m+1個。要注意的是，不同的隱含層節(jié)點(diǎn)數(shù)會影響預(yù)測的精度，所以我們需要找到最佳的隱含層節(jié)點(diǎn)數(shù)。首先，使用MATLAB中的mapminmax函數(shù)對輸入輸出數(shù)據(jù)歸一化處理，然后使用newff函數(shù)來初始化神經(jīng)網(wǎng)絡(luò)以及traindgm算法來訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)時需要不斷調(diào)整迭代次數(shù)或調(diào)整預(yù)測精度，直至使預(yù)測誤差降到最小，最后，用sim函數(shù)對BP網(wǎng)絡(luò)進(jìn)行預(yù)測輸出以及預(yù)測結(jié)果進(jìn)行反歸一化處理。

4.3 誤差結(jié)果及分析

為了衡量神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，使用以下幾個性能指標(biāo)：

平均絕對百分誤差（）：

（11）

均方根誤差（）：

（12）

式中：為預(yù)測值，為真實(shí)值。

4.4 實(shí)例仿真

選擇四川省某一斷面為待預(yù)測斷面，通過時空特性分析找出與該斷面相相關(guān)性較大的4個相關(guān)斷面以及分別對應(yīng)的時滯。

本文選擇2013年5月6日至2013年5月20日待預(yù)測斷面的流量序列以及4個相關(guān)斷面的流量序列為訓(xùn)練集，其中流量數(shù)據(jù)的采樣時間為15min，選擇2013年5月21日待預(yù)測斷面的流量序列以及4個相關(guān)斷面的流量序列為預(yù)測集。利用訓(xùn)練集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，用預(yù)測集對待預(yù)測斷面2013年5月21日的流量進(jìn)行預(yù)測。其中，BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為8個，輸出層節(jié)點(diǎn)為1個，隱含層節(jié)點(diǎn)數(shù)為18個，訓(xùn)練次數(shù)為10000次，訓(xùn)練精度為0.001，學(xué)習(xí)率為0.01。為了對比分析，分別進(jìn)行基于交通流時間相關(guān)性、空間互相關(guān)性以及時空信息的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，采用相同的網(wǎng)絡(luò)Y構(gòu)。三種模型的預(yù)測結(jié)果如圖4所示。

從圖中可以看出，基于時空特性分析和BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測精度明顯比只基于交通流時間相關(guān)性、空間互相關(guān)性的BP神經(jīng)網(wǎng)絡(luò)模型精度高。三種預(yù)測方法的性能指標(biāo)比較見表2。

5 結(jié)語

本文通過對高速路交通流時間特性和空間特性的分析，深入分析了上下游斷面間空間相互作用的延遲性，構(gòu)建了基于多斷面的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法。通過實(shí)例仿真結(jié)果及誤差分析可知，該預(yù)測模型比只采用單一斷面數(shù)據(jù)的交通預(yù)測方法提高了精度，驗(yàn)證了基于多斷面的時空預(yù)測方法的有效性。

參考文獻(xiàn)

[1]崔立成.基于多斷面信息的城市道路網(wǎng)交通流預(yù)測方法研究[D].大連：大連海事大學(xué)圖書館，2012.

[2]Lin S L，Huang H Q，Zhu D Q， et al. The application of space-time ARIMA model on traffic flow forecasting[C]//Machine Learning and Cybernetics， 2009 International Conference on.IEEE， 2009， 6： 3408-3412.

[3]WU Y J，CHEN F，LU C T，SMITH B L，CHEN Y.Traffic flow prediction for urban network using spatio-temporal random effects model. 91st Annual Meeting of the Transportation Research Board . 2012

[4]Min W，Wynter L.Real-time rode traffic prediction with spatio-temporal correlation[J]. Transportation Research Part C： Emerging Technologies. 2011， 19（4）： 606-616.

[5]邱世崇，陸百川，馬慶祿.基于時空特性分析和數(shù)據(jù)融合 的交通流預(yù)測[J].武漢理工大學(xué)學(xué)報(bào)（ 信息與管理工程版），2015，37（2）：156-160，178.

[6]丁閃閃，王維鋒，季錦章，等.基于時空關(guān)聯(lián)和BP_Adaboost的短時交通參數(shù)預(yù)測[J].公路交通科技，2016，05： 98-104.

[7]楊兆升，邴其春，周熙陽，等.基于時間序列相似性搜索的 交通流短時預(yù)測方法[J].交通信息安全，2014，06：22-26+43.

[8]姚智勝，邵春福，熊志華，等.基于主成分分析和支持向量機(jī)的道路網(wǎng)短時交通流量預(yù)測[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2008，01： 48-52.

[9]郭偉，姚丹亞，付毅，等.區(qū)域交通流特征提取與交通狀態(tài)評估方法研究[J].公路交通科技，2005（7）：101-104.

[10]Messai N.， Thomas P.， El Moudni A. et al. Feed-forward and RTRL neural networks for the macroscopic traffic flow prediction and monitoring： the potential of each other[M]. 2003： 199-204.

[11]王秋平，舒勤，黃宏光.關(guān)于交通流量數(shù)據(jù)預(yù)測建模研究[J].計(jì)算機(jī)仿真，2016，02：194-197+464.

[12]賀國光，馮蔚東.基于R/S分析研究交通流的長程相關(guān)性[J].系統(tǒng)工程學(xué)報(bào)，2004，02：166-169.

[13]趙婷婷，張毅，周，等.城市路網(wǎng)交通流的空間相關(guān)性[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，51（3）：313-317.

第9篇：神經(jīng)網(wǎng)絡(luò)預(yù)測方法范文

[關(guān)鍵詞] 光伏系統(tǒng)；發(fā)電量預(yù)測；模糊神經(jīng)網(wǎng)絡(luò)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077

[中圖分類號] TM615 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2017）13- 0180- 04

0 引 言

目前光伏發(fā)電量預(yù)測的方法主要有神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測法、多元線性分析法這三種方法，通過對這三種預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)多元線性回歸和灰色理論雖然方法較為簡單，但是預(yù)測誤差也較大，而神經(jīng)網(wǎng)絡(luò)法預(yù)測則可以比較準(zhǔn)確但是預(yù)測過程較為繁雜。在基于神經(jīng)網(wǎng)絡(luò)的預(yù)測中，多是以傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型，在此基礎(chǔ)上采用一些新的方法對BP網(wǎng)絡(luò)加以改進(jìn)。例如在BP網(wǎng)絡(luò)的學(xué)習(xí)過程中采用Fletcher-Reeves共軛梯度算法，可以提高學(xué)習(xí)率，部分地簡化了預(yù)測過程，但輸入量過多，且預(yù)測的局限性較大。

在對比了眾多方法的優(yōu)缺點(diǎn)之后，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)普遍存在中間隱層數(shù)難以確定、輸入數(shù)據(jù)量過多，且學(xué)習(xí)時間過長等劣勢。因此本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，所選取的輸入量是和當(dāng)天的發(fā)電量相關(guān)程度比較大的當(dāng)天的平均氣溫以及當(dāng)天的總?cè)照樟?，模糊神?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由大量的先驗(yàn)知識而設(shè)計(jì)出來的。在不影響預(yù)測精度的情況下，為了降低整個網(wǎng)絡(luò)的復(fù)雜程度，對整個網(wǎng)絡(luò)的模糊化層中的隸屬度函數(shù)及去模糊化層的輸出函數(shù)都做了適當(dāng)?shù)淖兓?，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題，從而使整個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡潔，訓(xùn)練速度較快，且預(yù)測精度較高。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的基礎(chǔ)上發(fā)展起來的，在模糊神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)都已有了多年的研究歷史，都有著較完備的理論基礎(chǔ)。

模糊神經(jīng)網(wǎng)絡(luò)是一種將模糊邏輯推理的知識性結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力結(jié)合起來的一種局部逼近網(wǎng)絡(luò)，融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)處理方面的不足和模糊邏輯在學(xué)習(xí)方面的缺陷，是一個集語言計(jì)算、邏輯推理、分布式處理和非線性動力學(xué)過程為一身的系統(tǒng)。因此，它具有處理不確定信息的模糊推理能力和依據(jù)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)的能力。模糊神經(jīng)網(wǎng)絡(luò)主要利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊推理，從而使神經(jīng)網(wǎng)絡(luò)的權(quán)值具有在模糊邏輯中推理參數(shù)的物理意義。

常見的模糊神經(jīng)網(wǎng)絡(luò)有基于Mamdani推理的和基于Takgai-Sugeno推理的這兩種模糊神經(jīng)網(wǎng)絡(luò)?；贛amdani推理的模糊神經(jīng)網(wǎng)絡(luò)多用于模糊邏輯控制器、模糊邏輯決策系統(tǒng)、模糊邏輯辨識系統(tǒng)等方面；基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)則是一種非線性模型，宜于表達(dá)復(fù)雜系統(tǒng)的動態(tài)特性。光伏系統(tǒng)的發(fā)電量由于受日照量、溫度、濕度、材料轉(zhuǎn)換率等多方面因素的影響，因此，光伏系統(tǒng)的輸出是一個不穩(wěn)定的非線性變化的動態(tài)工程，所以本文所采用的就是基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)（簡稱TS模糊神經(jīng)網(wǎng)絡(luò)）。

2 TS模糊神經(jīng)網(wǎng)絡(luò)

2.1 TS模糊邏輯

在TS模糊邏輯系統(tǒng)中，模糊規(guī)則有著如下的特殊形式：

R（1）：if x1 is F1l，…，if xnis Fnl then

y l=P0l+P1lx1+…+Pnlxn

3 預(yù)測模型的建立

3.1 輸入量的確定

光伏電池之所以能發(fā)電，是由于當(dāng)陽光照射到半導(dǎo)體材料的太陽能電池板上時，光能被吸收在太陽能電池內(nèi)，并且產(chǎn)生電子（-）和空穴（+），而負(fù)價(jià)的電子多向n型聚集，正價(jià)的空穴多向p型聚集，因此，將太陽能電池的正面和背面接上電極與燈泡等負(fù)荷連接，就能產(chǎn)生流。因此，日照量是影響光伏發(fā)電發(fā)電量的重要因素之一，所以日照量應(yīng)作為輸入量之一。此外光伏發(fā)電的發(fā)電量還受溫度、濕度、安裝角度、材料轉(zhuǎn)換率等眾多因素的影響，在這眾多因素中，溫度對光伏發(fā)電量的影響是較大的，因此將溫度作為另一個輸入量輸入到預(yù)測模型中。

本文的輸入量為日照量與溫度組成的一個2×1的列向量，因?yàn)楸疚乃A(yù)測的是晴天一整日的發(fā)電量（單位kW?h/日），因此，日照量取一整日的日照量（單位kW?h/日），溫度取一整日的平均溫度（單位℃）。若輸入向量用x表示，一整天的日照量用h表示，溫度用t表示，則輸入量可表示為下面的形式：

x=[h，t]T

3.2 TS型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)的確定

本文是針對全年晴天的當(dāng)天發(fā)電量做出預(yù)測的，所以按季節(jié)劃分將全年的數(shù)據(jù)劃分成了春、夏、冬，由于秋天的日照量與溫度和春天的接近，所以在本文中并沒有單獨(dú)列出秋季，而是只按春、夏、冬三季的數(shù)據(jù)來建模預(yù)測。

由已有的先驗(yàn)知識，可將數(shù)據(jù)按照春、夏、冬三季進(jìn)行劃分，所以模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則層的隱層節(jié)點(diǎn)數(shù)也就為三，由于規(guī)則層已經(jīng)確定，故可以知道模糊化層與去模糊化層的隱層節(jié)點(diǎn)數(shù)均為三個，因此可知本文的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)如圖2所示。

3.3 TS型模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L(fēng)表示訓(xùn)練樣本的數(shù)量，為輸入向量，在本文中表示由當(dāng)天日照量與當(dāng)天平均溫度組成的一個2×1的列向量。將網(wǎng)絡(luò)誤差E設(shè)為：

E=■（yl-dl）2-||y-d|22

其中，y=[y1，y2，…，yL]T，表示神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；d=[d1，d2，…dL]T，表示神經(jīng)網(wǎng)絡(luò)的期望輸出；||.|2表示向量的2范數(shù)。

本文中，在不影響結(jié)果的前提下，為了降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的復(fù)雜度，故將隸屬度函數(shù)變?yōu)椋?/p>

ωij=exp-■（bij（xil-cij））2

將神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)變?yōu)椋?/p>

yl =■ωij=（p0j+p1jx1l+…+pnjxnl）

因?yàn)楸疚氖窃贛ATLAB中進(jìn)行編程預(yù)測，所以將各種數(shù)據(jù)都表示成矩陣的形式，通過對矩陣的處理，使模糊神經(jīng)網(wǎng)絡(luò)的理解難度和操作難度都大大降低，因此，規(guī)定X=[x1，x2，…，xL]表示輸入樣本組成的n×L維矩陣；Ω=[ω1，ω2，…，ωL]表示輸入樣本X的隸屬度函數(shù)值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數(shù)pi j所組成的m×（n+1）維矩陣；C=[c1，c2，…，cm]表示中心ci j所組成的n×m維矩陣；B=[b1，b2，…，bm]表示中心寬度bi j所組成的n×m維矩陣。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，首先計(jì)算隸屬度函數(shù)值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎(chǔ)上計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出y及相應(yīng)的誤差E；然后計(jì)算誤差E對系數(shù)矩陣P，B，C的偏導(dǎo)數(shù)，根據(jù)梯度下降法更新P，B，C；最后利用P，B，C來更新Ω，E等參數(shù)。如果未達(dá)到退出條件，則繼續(xù)迭代，達(dá)到了，則退出整個迭代過程，最終，就可以完成整個模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在MATLAB中矩陣P和B的初始值可以由normrnd函數(shù)隨機(jī)生成，而矩陣C則可以由kmeans函數(shù)得到相應(yīng)的初始聚類中心，通過訓(xùn)練數(shù)據(jù)的學(xué)習(xí)過程，得到一個符合要求的模糊神經(jīng)網(wǎng)絡(luò)。

4 預(yù)測模型的訓(xùn)練與結(jié)果分析

為了使模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較高的精度，需要大量的數(shù)據(jù)對模型進(jìn)行評估訓(xùn)練，本次模擬采用了120組數(shù)據(jù)進(jìn)行預(yù)測，其中90組作為訓(xùn)練樣本，30組作為測試樣本，所用的數(shù)據(jù)均是隨機(jī)模擬5kW光伏逆變器日發(fā)電量數(shù)據(jù)， 在訓(xùn)練過程中，共取了90組數(shù)據(jù)來訓(xùn)練，因此L=90；而規(guī)則數(shù)共有3條，因此這里m=3；而輸入的是有溫度與日照量組成的兩行一列的列向量，因此n=2；為了使訓(xùn)練結(jié)果更加精確化，這里O置的最大迭代步數(shù)為1 000，迭代步長為0.001，圖3是訓(xùn)練預(yù)測結(jié)果與實(shí)際結(jié)果的折線圖。

在圖中，實(shí)線表示預(yù)測輸出，用“+”表示實(shí)際輸出，而用虛線表示實(shí)際輸出與預(yù)測輸出之間的差值，從圖中可以明顯看出訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)符合要求。隨后，再將用于測試的數(shù)據(jù)帶入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，結(jié)果如圖4所示。

圖4是用于測試的數(shù)據(jù)的實(shí)際輸出與預(yù)測輸出的比較，“+”表示實(shí)際輸出，實(shí)線表示預(yù)測輸出，虛線表示實(shí)際輸出與預(yù)測輸出的差值。從預(yù)測的結(jié)果來看，相較于傳統(tǒng)的預(yù)測方法來說，本文所提出的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，不論是在預(yù)測精度上還是在訓(xùn)練收斂速度上，都有一定程度的提高，雖說本文的原始數(shù)據(jù)并非實(shí)測數(shù)據(jù)，但是本文所用的數(shù)據(jù)皆是參考了大量資料之后擬合出的數(shù)據(jù)，所以有實(shí)際參考價(jià)值。

5 結(jié) 語

為了提高光伏并網(wǎng)系統(tǒng)的穩(wěn)定性與安全性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電量預(yù)測模型。根據(jù)光伏系統(tǒng)的發(fā)電原理與大量的研究資料，確定了以每一天的日照量與平均溫度為整個系統(tǒng)的輸入量，來對這一整天的光伏系統(tǒng)的發(fā)電量做出預(yù)測，并且根據(jù)已有的先驗(yàn)知識與相關(guān)理論，確定了本文所用的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。再通過擬合的符合實(shí)際的數(shù)據(jù)來訓(xùn)練整個模型，最后通過一組測試數(shù)據(jù)來測試本預(yù)測模型是否達(dá)到要求。實(shí)驗(yàn)結(jié)果表明，本模型能較為準(zhǔn)確地預(yù)測出光伏發(fā)電系統(tǒng)一整天的發(fā)電量，具有一定的工程應(yīng)用價(jià)值。

主要參考文獻(xiàn)