小波神经网络的时间序列预测-短时交通流量预测
短时交通流量预测分析
短时交通流量预测分析交通流量的预测对于交通管理和规划至关重要。
在城市中，交通流量的准确预测可以帮助决策者优化交通信号控制系统、规划道路和公共交通线路，以及改善交通拥堵状况，提高出行效率。
短时交通流量预测涉及对未来较短时间范围内交通流量的估计，通常在小时或更短的时间段内。
本文将探讨短时交通流量预测的分析方法和应用。
短时交通流量预测的分析方法可以分为经验模型和机器学习模型两类。
经验模型基于专家经验和规则来建立预测模型，包括时间序列分析、回归分析和模糊推理等方法。
时间序列分析可以利用历史数据的周期性和趋势性来预测未来的交通流量。
回归分析可以根据交通流量与其他因素之间的关系来建立预测模型。
模糊推理可以模拟人类的推理过程来预测交通流量。
这些方法通常需要手动选择模型和参数，并且对数据的要求比较高。
机器学习模型基于数据来学习交通流量的特征和模式，并利用学习的结果来预测未来的交通流量。
常用的机器学习方法包括神经网络、支持向量机、决策树和随机森林等。
这些方法通常不需要手动选择模型和参数，可以自动学习数据的特征和模式。
机器学习模型的性能通常受数据质量、特征选择和模型调优等因素的影响。
短时交通流量预测的应用包括交通信号控制、交通调度和交通规划等。
交通信号控制可以根据预测的交通流量来优化交通信号的配时，以减少交通拥堵和等待时间。
交通调度可以根据预测的交通流量来调整公交车和出租车的行驶路线和时间，以提高服务质量和效率。
交通规划可以根据预测的交通流量来规划道路和公共交通线路，以满足未来的出行需求。
总之，短时交通流量预测是交通管理和规划中的重要任务。
通过收集和处理数据，应用经验模型和机器学习模型，可以对未来较短时间范围内的交通流量进行准确预测。
这些预测结果可以应用于交通信号控制、交通调度和交通规划等多个领域，以优化交通系统的性能和效率。
随着数据收集和分析技术的不断发展，短时交通流量预测的准确性和实用性将进一步提高。
小波神经网络原理及其应用
幅度 A
sin(t)---a=1 1
morlet---a=1 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(2t)---a=1/2 1
morlet---a=1/2 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(4t)---a=1/4
morlet---a=1/4
1
1
0
0
-1
-1
0
2
4
6
为ω0，窗口宽度为△ ω，则相应的连续小波的傅立叶
变换为： a,()a12ej(a)
➢ 其频域窗口中心为： a,
1 a
0
➢ 窗口宽度为： 1
a
➢ 信号在频域窗内：[1 a0 . 2 1 a ,1 a02 1 a ]13
➢ 从上面的时频域的讨论可见，连续小波的时频域窗口
➢ 中心及其宽度都随a的变化而伸缩，如果我们称△t·△
事实上小波分析的应用领域十分广 泛，它包括：数学领域的许多学科；信 号分析、图象处理；量子力学、理论物 理；军事电子对抗与武器的智能化；计 算机分类与识别，音乐与语言的人工合 成；医学成像与诊断；地震勘探数据处 理；大型机械的故障诊断等方面。
.
37
6.小波分析应用前景
（1） 瞬态信号或图像的突变点常包含有很重要的 故障信息，例如，机械故障、电力系统故障、脑电图、 心电图中的异常、地下目标的位置及形状等，都对应 于测试信号的突变点。因此，小波分析在故障检测和 信号的多尺度边缘特征提取方面的应用具有广泛的应 用前景。
基于时间序列分析的交通流量预测研究
基于时间序列分析的交通流量预测研究随着城市化进程的不断推进，交通问题成为城市发展中不可忽视的重要因素。
为了更好地解决交通拥堵，需要深入研究交通流量的变化和预测方法。
其中，基于时间序列分析的交通流量预测成为研究的热点之一。
时间序列分析是一种利用数据随时间变化的规律，对未来一段时间内的数据进行预测的方法。
在交通领域中，交通流量时间序列包含了一段时间内的交通流量变化的数据，可以通过该数据进行交通流量的预测。
对于城市交通管理者来说，准确的交通流量预测可以帮助他们合理调配交通资源，提高交通运输效率。
交通流量受多种因素的影响，包括季节性变化、工作日与非工作日差异以及特殊节假日等。
在进行交通流量预测时，需要考虑到这些因素的影响。
常见的时间序列分析方法包括ARIMA模型、指数平滑法和灰度预测法等。
ARIMA模型是一种常用的时间序列预测方法，它基于时间序列的自相关和部分自相关性来进行预测。
ARIMA模型分为AR、I、MA三个部分，分别代表时间序列的自回归、差分和滑动平均。
通过对历史交通流量数据进行ARIMA模型的拟合，可以得到未来交通流量的预测结果。
指数平滑法是另一种常见的时间序列预测方法，它适用于没有明显趋势和季节性的时间序列数据。
该方法通过计算历史数据的加权平均值来进行预测。
指数平滑法假设未来的交通流量与过去的交通流量具有相似的特征，因此可以通过对历史交通流量数据进行指数平滑来得到未来交通流量的预测结果。
灰度预测法是一种基于灰色系统理论的时间序列预测方法，它主要用于处理缺乏数据和不确定性较大的情况。
该方法可以通过构建灰色模型对历史交通流量数据进行预测。
与ARIMA模型和指数平滑法相比，灰度预测法更适用于短期交通流量的预测。
在进行交通流量预测时，还需要考虑到交通流量数据的特征。
交通流量数据通常呈现出周期性和随机性的变化。
因此，在进行时间序列分析时，需要对这两种变化进行建模。
周期性变化可以通过季节性分解来捕捉，而随机性变化则可以通过随机误差来表示。
基于遗传 - 小波神经网络的短时交通量预测
迅速地进行预测 比较 困难 ．国 内外学者提 出了许多预测方法和模 型 ， 主要有基于传统统计理论 的模型 （ 回归分析预测模型 、 时间序列模型、 卡尔曼滤波模型等¨ ） ， 基于神经 网络的预测模 型［ ２ － ４ ］ ， 基于非线性
理论（ 混 沌 理论 和小 波分 析 ） 的预 测模 型 ． 这 三 大模 型 中 ， 基 于传 统 统 计 理论 的模 型 主要 是基 于
基 于遗 传 一小 波 神 经 网络 的短 时交 通 量预 测
黄恩 洲
（ 福建工程学院 交通运输系 ， 福建 福 州 ３ ５ ０ １ ０ ８ ）
摘
要 ：针对短时交通量 的高度非线性 ， 提出一种基于遗传 一 小波神经 网络 的预测方法 ． 该方法 以前馈多层
感知器的神经 网络拓扑结构为基础 ， 选择 Ｍ ｏ ｒ ｌ ｅ ｔ 母小波基 函数作为隐含层激活 函数 ， 以最简化结构概 念进行 网络泛化 ， 并将误 差反 向传播 ， 经遗传算法对 网络连接权 值修 正． 实 例证 明 ， 该方 法预测 精度高 ， 预测 速度较
线性基础 ， 对时间跨度较小的交通量预测精确度不高 ， 神经 网络具有识别复杂非线性 系统的特性 ， 在短时 交通量预测 的精度上 比较令人满意 ， 但是其 预测 的速度却较差 ， 而非线性理论预测方法缩短 了短 时交通 流量的预测速度 ， 但是 由于非线性理论方法参数较多 ， 鲁棒性较差 ， 妨碍了其工程应用 ， 因此不可否认 ， 在 精度上 ， 神经 网络是非线性预测的理想模型¨ 。 。 ． 近年来 ， 利用神经网络预测短时交通量的研究热点集中在 改进 网络结构和结合其他学科的相关 理论 以提高神经 网络预测的精度 和时效＿ １ 卜ｎ 方面． 时效是神经 网 络预测模型能否在工程上应用的关键问题 ， 影响神经网络预测速度最关键的两点是 ： 神经 网络结构和学
基于小波神经网络的VTS水域船舶交通流短期预测研究
Ｏ
蛐 ｌ
：
ｏ
（） ｏ
图１小波神经 网络拓 扑结构
目 前， 船 舶 交 通 流 量 预 测 方法 主 要 有 回归分 析 法、 神 经 网络 法、 组合预测模型、 极 大似 然 估 计 等 。 神 经 网
络 以其 特 有 的 自学 习、自组 织 、 容 错 性 和 分布 式 储 存 等
ｃ ｆ ｌ ｏ ｗ
ｐ ｒ ｅ ｄ ｉ ｃ ｉ ｔ ｏ ｎ ． Ｔｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｉ ｓ ｗｏ ｒ ｔ ｈ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｏｒ ｆ ｔ ｈ ｅ ｍａ ｒ ｉ ｔ ｉ ｍｅ ａ ｄ ｍｉ ｎ ｉ ｓ ｔ ｒ ａ ｉ ｔ ｏ ｎ ｉ ｎ ｅ ｎ ｈ ａ ｎ ｃ ｉ ｎ ｇ ｔ ｈ ｅ ｔ ｒ ａ ｉｃ ｆ ｅ ｉｃ ｆ ｉ ｅ ｎ ｃ ｙ ａ ｎ ｄ ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ ｏ ｆ ｈｅ ｔ ｗａ ｔ ｅ ｒ ｓ ｗｉ ｔ ｉｎ ｈ ＶＴＳ ｃ ｏ ｖ ｅ ｒ ａ ｇ ｅ ．
ｐ ａ ｐ ｅ ｒ ａ ｄ ｏ ｐ ｔ ｓ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｉ ｔ ｍｅ ｓ ｅ ｒ ｉ ｅ ｓ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｗａ ｖ ｄ ｅ ｔ ｎ ｅ ｕ ｒ ｄ ｎ ｅ ｔ ｗｏ ｒ ｋ ａ ｎ ｄ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｓ ａ ｍｏ ｄ ｌ ａ ｆ ｏ ｒ ｓ ｈ ｉ ｐ锄
价值 … 。 影 响 船 舶 交 通流 量 的因素 多且复 杂 ， 宏 观 上 主要 包 括 水域 所在 的 自然 环 境、航 运市场 状况 、 世界经 济和 国家
政策等， 微 观 上主 要包括 港 口规 划 、 航 道 水深 及尺 度 、 分
道 通航 制 、交通管理 的实施 、 船 舶 类 型及吨位 等。而 各种 因素 的作 用机 制 很难 用 准确 的数 学 方法 来描 述 ， 因此 对 船 舶 交通流 量 的预 测 是一 个复杂 的非线性 系统 问题 。
高速公路短时交通量预测
高速公路短时交通量预测高速公路短时交通量预测随着城市化进程的不断加快，交通拥堵问题日益突出。
高速公路作为主要的城市交通干道，交通量的预测对于交通管理和规划非常重要。
高效准确地预测高速公路短时交通量，可以为交通管理部门提供决策依据，优化交通流量，缓解交通拥堵问题。
高速公路交通量预测是指预测未来一段时间内高速公路上的车辆数目，准确预测能够帮助交通管理部门提前做好交通组织、交通控制和资源调配等准备工作。
现代交通量预测方法主要基于历史数据与实时数据相结合的方式。
下面将介绍几种常见的高速公路短时交通量预测方法。
一、基于时间序列的预测方法时间序列预测方法是通过分析历史交通量数据的变化趋势和规律，对未来的交通量进行预测。
常用的时间序列模型有ARIMA 模型、指数平滑模型等。
ARIMA模型是一种常见的线性模型，通过分析历史数据的自相关性和移动平均性来进行参数估计，从而进行未来交通量的预测。
指数平滑模型是一种多项式拟合方法，通过对历史数据进行平滑处理，利用平滑后的数据来进行预测。
二、基于回归分析的预测方法回归分析可以通过建立交通量与影响因素（如时间、天气、节假日等）之间的数学模型，来进行交通量的预测。
回归分析方法需要准备足够的历史交通量数据和影响因素数据，通过线性或非线性回归模型，对交通量进行建模预测。
三、基于神经网络的预测方法神经网络是一种模拟人脑神经元连接方式的数学模型，可以通过学习历史数据的规律，对未来交通量进行预测。
神经网络模型可以通过调整各层之间的连接权值，使得网络的输出结果与实际交通量相匹配。
神经网络模型具有良好的非线性逼近能力，可以更好地适应交通量数据的复杂特征。
高速公路短时交通量预测的准确性和可靠性受多个因素的影响。
首先，数据质量是预测模型的基础，只有收集到准确完整的历史数据和实时数据，才能构建有效的预测模型。
其次，影响因素的选择也非常重要，需要考虑交通量的周期性、趋势性以及外界因素的影响。
为了提高交通量预测的准确性和可靠性，可以采用以下方法。
基于循环神经网络与时序数据挖掘的交通流量预测研究
基于循环神经网络与时序数据挖掘的交通流量预测研究交通流量预测是城市交通规划和管理中的关键问题之一。
准确预测交通流量可以帮助交通部门优化路网规划、交通信号控制以及旅行者信息提供等操作，最终提高城市交通运行效率和减少交通拥堵。
随着循环神经网络（Recurrent Neural Network, RNN）技术和时序数据挖掘方法的发展，基于RNN和时序数据挖掘的交通流量预测研究被广泛应用。
循环神经网络是一类特殊的神经网络结构，适用于处理序列数据、时间序列等具有时间依赖性的问题。
与传统的前馈神经网络（Feedforward Neural Network）相比，RNN的隐状态可以通过一个循环的连接实现信息在时序上的传递，从而对前序信息进行记忆和利用。
这使得RNN成为处理交通流量预测问题的强有力工具。
在交通流量预测中，时序数据挖掘扮演着至关重要的角色，其可以从历史交通流量数据中识别出重要的模式和趋势，从而为预测模型提供准确的输入。
常见的时序数据挖掘方法包括时间序列分析、周期性分析、自回归模型、移动平均模型等。
这些方法可以帮助我们理解交通流量数据中的季节性、周期性和趋势性，并提取出有效的特征用于交通流量预测。
基于循环神经网络和时序数据挖掘的交通流量预测方法可以分为两个主要步骤：特征提取和流量预测。
首先，通过时序数据挖掘方法，我们可以从历史交通流量数据中提取出有意义的特征。
例如，我们可以提取每天的交通流量变化模式、周末与工作日的流量差异、季节性和节假日对流量的影响等。
这些特征可以用于后续的流量预测模型。
针对特征提取之后的交通流量预测问题，循环神经网络被广泛应用。
基于RNN的交通流量预测模型能够利用历史交通数据中的时序信息和交通流量的动态特性进行预测。
这种方法能够捕获与时间相关的特征，同时还能够考虑到交通流量之间的相互影响。
常见的基于RNN的交通流量预测模型包括基本的循环神经网络（Simple RNN）、长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）等。
短时交通流预测的研究
短时交通流预测的研究随着城市化进程的加速和交通工具的普及，城市交通流量不断增加，给城市交通管理带来了巨大挑战。
为了更好地提高城市交通的运行效率和减少交通拥堵，研究人员开始关注短时交通流预测的问题。
短时交通流预测是指对未来一段时间内交通流量的变化进行预测，通常是以分钟或小时为单位。
这种预测可以帮助交通管理部门做出合理的决策，包括交通信号灯的调整、交通疏导的安排以及交通资源的合理配置等。
同时，对于驾驶员来说，短时交通流预测也可以提供实时的交通信息，帮助他们选择最佳的出行路线，减少出行时间。
短时交通流预测的研究面临着许多挑战。
首先，交通流量受到许多影响因素的影响，包括天气、道路状况、节假日等。
因此，需要考虑这些因素，并将其纳入预测模型中。
其次，交通流量的变化具有一定的不确定性，因此需要建立合适的模型来捕捉这种不确定性。
最后，交通流量的预测需要具备高的准确性和实时性，以满足实际应用的需求。
为了解决这些问题，研究人员提出了各种各样的短时交通流预测方法。
其中，基于统计模型的方法是最常见的一种。
这种方法利用历史交通数据来建立预测模型，通过分析历史数据中的交通流量与影响因素的关系，来预测未来一段时间内的交通流量。
另外，基于机器学习的方法也被广泛应用于短时交通流预测中。
这种方法通过训练模型来学习交通数据的模式和规律，从而预测未来的交通流量。
除了以上方法，还有一些新兴的研究方向，如基于深度学习的方法和基于移动手机信号数据的方法。
这些方法利用大数据和人工智能的技术，可以更好地预测交通流量，并且具有较高的准确性和实时性。
总之，短时交通流预测的研究对于改善城市交通管理和提高出行效率具有重要意义。
随着技术的不断发展，我们相信短时交通流预测的准确性和实时性将会得到进一步提高，为城市交通运行带来更大的便利。
基于小波的短时交通流预测
Ｊ ） ］ （ ［ ｄ ３ ） ） 【
对任意的函数 ． ， 厂 ） 它的小波变换是一个二元 （ 函数 ， 这有别于传统 的傅里 叶变换． 另外 ， 由允许条
件和 （）式 可 知， 于参 数 对 （ ， ） 小 波 函数 ２ 对 ａｂ，
。
６ 在 ＝ｂ （ ） 的附近存在明显的波动 ， 远离 ＝
各尺 度的预测得到交通流的预测 ． 实验显示 ， 本方法具有较好 的预测精度 ．
关 键
词： 小波分析 ；Ｒ Ａ模型 ； ＡＭ 短时交通流预测
文献标识码 ： Ａ 文章编号 ：０１７６ （０ ６０．０９ ） １０．１ｘ ２ｏ ）３０９ ４４
中图分类号 ：Ｐ９ ；４ １ Ｔ ３ １Ｉ ９ ． ／
波变换 （ ， ） 口 ｂ 体现的是原来 的函数或信号 ． ） 厂 （
在 ＝ ｂ点附近随着分析和观察的范围逐渐变化 时 表现 出来 的变化 情况 ．
Ｉ．
如＜ ∞
（ １ ）
・
收稿 日期 ：０５ ）．１修订 日期 ：Ｏ５０－７ ２０ ４３２ ； ２Ｏ ．４ ０ 基金项 目： 交通部交通 应用基础研究项 目（０３９ １０ ） ２０ １８４ ８ 作 者简介 ： 杨芳明 （９５ ， 。 １６ 一）男 四川南充人 。 讲师 ， 事计 算机基进行加权 的平均 ， ） 体现的是 以 （ ６ ） ） 为标准快慢的 ） ，（ 的变化情况． 其中
＝
参数 ｂ 表示分析的时间中心 ， 称为平移参数 ； 而参数 ａ 体现的是以 ＝ｂ 为中心的附近范围的大小， 称为 尺度参数． 因此 ， 当时间平移参数 ｂ固定不变时， 小
Ｊｎ ０ ６ ｕ ｅ２ ０
基 于小 波 的短 时交 通 流 预 测 ＊
杨芳 明 ， 朱顺应２
基于小波分解的网络流量时间序列建模与预测
基于小波分解的网络流量时间序列建模与预测张晗;王霞【期刊名称】《计算机应用研究》【年(卷),期】2012(029)008【摘要】提出一种基于小波分解的网络流量时间序列的分析和预测方法.将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型.在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验.仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法.%This paper proposed a network traffic forecasting methods based on wavelet decomposition and time series analysis method. Firstly,the method decomposed the network traffic time series in multiple stationary components by wavelet decomposition, then used the autoregressive moving average method to model the each stationary component separately. Finally combined all the components of the model to get the forecasting model of the original non-stationary network traffic time series. It carried out the simulation experiment on time series data of the network library. The simulation results show that, the proposed method improves the network traffic time series forecasting accuracy rate, and it is an efficient, robust network traffic forecasting method.【总页数】3页(P3134-3136)【作者】张晗;王霞【作者单位】吉林大学计算机科学与技术学院,长春130012;吉林大学计算机科学与技术学院,长春130012【正文语种】中文【中图分类】TP181【相关文献】1.基于多尺度小波分解和时间序列法的风电场风速预测 [J], 李东福;董雷;礼晓飞;廖毅2.基于小波变换和时间序列的网络流量预测模型 [J], 麻书钦;范海峰3.基于双树复小波分解的云量时间序列模型预测 [J], 白云博; 欧阳斯达; 杨朦朦; 夏学齐; 王婷4.基于区间时间序列小波多尺度分解的组合预测方法 [J], 刘金培;汪漂;黄燕燕;陶志富5.基于小波分解和支持向量机的网络流量组合预测 [J], 段谟意因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%% 清空环境变量
clc
clear
%% 网络参数配置
load traffic_flux input output input_test output_test
M=size(input,2); %输入节点个数
N=size(output,2); %输出节点个数
n=6; %隐形节点个数
lr1=0.01; %学习概率
lr2=0.001; %学习概率
maxgen=100; %迭代次数
%权值初始化
Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1;
a=randn(1,n);a_1=a;a_2=a_1;
b=randn(1,n);b_1=b;b_2=b_1;
%节点初始化
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
%权值学习增量初始化
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);
%% 输入输出数据归一化
[inputn,inputps]=mapminmax(input');
[outputn,outputps]=mapminmax(output');
inputn=inputn';
outputn=outputn';
%% 网络训练
for i=1:maxgen
%误差累计
error(i)=0;
% 循环训练
for kk=1:size(input,1)
x=inputn(kk,:);
yqw=outputn(kk,:);
for j=1:n
for k=1:M
net(j)=net(j)+Wjk(j,k)*x(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
temp=mymorlet(net_ab(j));
for k=1:N
y=y+Wij(k,j)*temp; %小波函数
end
end
%计算误差和
error(i)=error(i)+sum(abs(yqw-y));
%权值调整
for j=1:n
%计算d_Wij
temp=mymorlet(net_ab(j));
for k=1:N
d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp;
end
%计算d_Wjk
temp=d_mymorlet(net_ab(j));
for k=1:M
for l=1:N
d_Wjk(j,k)=d_Wjk(j,k)+(yqw(l)-y(l))*Wij(l,j) ;
end
d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j);
end
%计算d_b
for k=1:N
d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j);
end
d_b(j)=d_b(j)*temp/a(j);
%计算d_a
for k=1:N
d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j);
end
d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j);
end
%权值参数更新
Wij=Wij-lr1*d_Wij;
Wjk=Wjk-lr1*d_Wjk;
b=b-lr2*d_b;
a=a-lr2*d_a;
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij_1=Wij;Wij_2=Wij_1;
a_1=a;a_2=a_1;
b_1=b;b_2=b_1;
end
end
%% 网络预测
%预测输入归一化
x=mapminmax('apply',input_test',inputps); x=x';
%网络预测
for i=1:92
x_test=x(i,:);
for j=1:1:n
for k=1:1:M
net(j)=net(j)+Wjk(j,k)*x_test(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
temp=mymorlet(net_ab(j));
for k=1:N
y(k)=y(k)+Wij(k,j)*temp ;
end
end
yuce(i)=y(k);
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
end
%预测输出反归一化
ynn=mapminmax('reverse',yuce,outputps);
%% 结果分析
figure(1)
plot(ynn,'r*:')
hold on
plot(output_test,'bo--')
title('预测交通流量','fontsize',12)
legend('预测交通流量','实际交通流量') xlabel('时间点')
ylabel('交通流量')
%这里面用到的两个子程序分别是：
function y=mymorlet(t)
y = exp(-(t.^2)/2) * cos(1.75*t);
function y=d_mymorlet(t)
y = -1.75*sin(1.75*t).*exp(-(t.^2)/2)-t* cos(1.75*t).*exp(-(t.^2)/2) ;。