導語：交通運輸能力預測量子神經(jīng)網(wǎng)絡應用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

交通運輸能力受許多因素影響，如發(fā)展水平、人口數(shù)量、自然條件等，而且還有季節(jié)性，如春運等，因此在建立預測模型的時候，在不影響精度的條件下，應該建立簡單的模型，科學的對交通運輸能力進行分析和預測，對促進運輸資源優(yōu)化配置，全面提高交通運輸現(xiàn)代化水平，發(fā)揮各種運輸方式的最大效率，促進交通運輸業(yè)規(guī)范而高速的發(fā)展，加快交通現(xiàn)代化，具有十分重要的意義。[1]交通能力預測的方法很多，其中定量法常用的有移動平均法、指數(shù)平滑法、回歸分析法，灰色預測方法和作為多種方法綜合的組合預測方法。這些方法大都集中在對其因果關系回歸模型的分析上，所建立的模型不能全面和本質(zhì)的反映所預測動態(tài)數(shù)據(jù)的內(nèi)在結構和復雜特性，與這些方法相比，神經(jīng)網(wǎng)絡有較強的映射能力、泛化能力、容錯能力和很強的聯(lián)想記憶能力，同時，也不需要建立函數(shù)模型，所以，用神經(jīng)網(wǎng)絡模型進行交通運輸能力預測是一種有效的方法。[2]自1995年美國的Kak教授首次提出量子神經(jīng)計算[3-4]的概念以來，量子神經(jīng)網(wǎng)絡(QuantumNeuralNetwork,QNN)受到了廣泛關注.PurushothamanG等[5]提出了基于多層激勵函數(shù)的量子神經(jīng)網(wǎng)絡模型,模型隱層神經(jīng)元激勵函數(shù)采用多個傳統(tǒng)激勵函數(shù)的疊加,通過對模糊數(shù)據(jù)集的特征空間進行多級劃分,快速響應了其特征空間的結構.理論和實踐表明,量子神經(jīng)網(wǎng)絡模型對具有不確定性非穩(wěn)態(tài)數(shù)據(jù)具有良好的預測效果[6-7].因此,本文根據(jù)QNN對不確定性非穩(wěn)態(tài)數(shù)據(jù)的較好預測效果的優(yōu)點,建立道路交通運輸能力預測模型,在對原始數(shù)據(jù)進行相空間重構基礎上,采用態(tài)疊加的激勵函數(shù),對道路交通運輸能力數(shù)據(jù)的特征空間進行多層梯級劃分,并在訓練過程中動態(tài)調(diào)整量子間隔,對算法的預測效果進行考察。

1道路交通運輸能力預測模型的建立

1.1量子神經(jīng)元

神經(jīng)網(wǎng)絡函數(shù)逼近的正確特性是因為神經(jīng)網(wǎng)絡從輸入到輸出形成了一個非線性映射和激勵函數(shù)存在一些飽和區(qū)域,然而傳統(tǒng)的神經(jīng)網(wǎng)絡是使用兩級激勵函數(shù)的神經(jīng)元構成的,這種激勵函數(shù)的輸出僅有兩個飽和區(qū),但是神經(jīng)元中也可以采用具有多層飽和級別的激勵函數(shù),此時這種神經(jīng)元被叫做量子神經(jīng)元.將兩層激勵函數(shù)神經(jīng)元的思想推廣到多層激勵函數(shù)的神經(jīng)元,其激勵函數(shù)，如圖1所示：

1.2基于量子神經(jīng)網(wǎng)絡的預測模型

由于導致道路交通運輸能力的影響因素錯綜復雜,因此就直接采用時間t作為變量來綜合地代替這些因素，構成道路交通運輸能力時間序列,作為預測模型的輸入.由于預測效果受嵌入維數(shù)影響較大,依據(jù)相空間重構理論,當時間序列嵌入維數(shù)太低,難以恢復系統(tǒng)的演化行為和揭示其動力系統(tǒng)的內(nèi)蘊,達不到預測的精度要求且網(wǎng)絡不穩(wěn)定;維數(shù)太高則收斂太慢容易陷于局部最小經(jīng)反復試驗,選取嵌入維數(shù)為6,確定輸入層節(jié)點數(shù)為6,輸入層激勵函數(shù)為線性函數(shù)g(g),輸入向量為6年內(nèi)各年交通運輸能力的時間序列.由于每次預測都是通過6年的歷史交通運輸能力數(shù)據(jù)計算新一年的數(shù)據(jù),因此選取輸出層節(jié)點數(shù)為1,輸出層激勵函數(shù)為線性函數(shù)g(g).隱含層神經(jīng)元節(jié)點數(shù)的選取沒有明確的規(guī)定,采用經(jīng)驗公式與試算法相結合的方法來確定隱含層節(jié)點個數(shù).經(jīng)驗公式選取:n(nm)a1其中1n表示隱含層節(jié)點數(shù),n表示輸入層節(jié)點數(shù),m表示輸出層節(jié)點數(shù),a為[0,10]之間的常數(shù).文中n=6,m=1,故隱含層神經(jīng)元個數(shù)應該在3-13之間;再根據(jù)試算法來確定預測模型隱含層的確切節(jié)點數(shù).這里隱含層節(jié)點數(shù)分別選擇3、5、8和12,構成一個試驗預測模型進行訓練,并分別查看不同隱含層節(jié)點數(shù)對應的網(wǎng)絡性能.通過比較不同隱含層節(jié)點數(shù)的訓練誤差曲線和不同隱含層節(jié)點數(shù)的誤差得出當隱含層神經(jīng)元個數(shù)為5(即n1=5)時,網(wǎng)絡的收斂速度最快且誤差較小.

1.3訓練算法

預測模型的訓練算法仍采用梯度下降法,在每個訓練周期中,訓練算法不僅更新不同層神經(jīng)元之間的連接權,而且更新隱層各神經(jīng)元的量子間隔.權值的更新算法與常規(guī)BP網(wǎng)絡更新算法完全相同.量子間隔的更新算法如下:對模式類矢量Cm(m為模式類數(shù)目),隱層第i個神經(jīng)元的輸出方差為對模式類矢量Cm(m為模式類數(shù)目),隱層第i個神經(jīng)元的輸出方差為22()kmxcimimim《h》h其中imh當前網(wǎng)絡輸入向量為kx時隱層第i個神經(jīng)元的輸出；||,imikm《h》hc|mc|類mc基數(shù)。

2應用實例

用2000-2005共6年的歷史統(tǒng)計數(shù)據(jù)作為網(wǎng)絡訓練樣本，2006-2009年的數(shù)據(jù)作為測試樣本，如表1所示：

3研究結論

道路交通運輸能力預測是道路交通研究的一項重要內(nèi)容.本文為道路交通運輸能力預測提供了一種基于量子神經(jīng)網(wǎng)絡的預測模型,有效提高了道路交通運輸能力的預測.