基于改进PSO-BP神经网络的旅游客流量预测方法

发布时间：2020-10-23 02:12

　　 提高旅游风景区日客流量的预测精度,对旅游风景区的日常运营管理和旅游资源的保护有重要意义.PSO-BP被广泛应用于预测中,针对PSO算法的惯性权重采取线性动态变化时无法满足粒子多样性和易陷入局部极值等缺陷,文章提出一种利用改进后的PSO-BP方法,利用粒子适应度值对惯性权重进行动态非线性变化,同时结合粒子迭代周期增加位置扰动,对粒子群算法进行改进.将改进后的PAPSO算法(particle swarm optimization algorithm with position disturbance and adaptive inertia weight,PAPSO)对BP神经网络的初始权值和阈值进行优化,建立黄山风景区日客流量的Matlab预测模型,对黄山旅游客流量数据进行实验,结果表明文章提出的基于PAPSO算法优化BP神经网络的预测模型有效地提升了预测精度.
【部分图文】：

陆文星等：碁乎改迸ＰＳＯ－ＢＰ神餐两络的旅游客流最爾测方渎??１４１３??８期??迭代次数??图２?Ａ函数寻优比较过程??（Ｆｉｇｕｒｅ?２?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／ｉ）??图３?／２函数寻优比较过程??（Ｆｉｇｕｒｅ?３?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／２）??迭代次数??图４?／３函数寻优比较过程??（Ｆｉｇｕｒｅ?４?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／ｓ）??３．４基于改进ＰＳＯ优化ＢＰ预测方法??基于对数函数的位置扰动和ｆｔ适应惯性权重的改进ＰＳＯ优化ＢＰ神经网络的主要思想??备：将改进后的ＰＳＯ奠法所得到的最优解作为ＢＰ神经网络的初始权值和阈值．具体的预测??方法：实现过裎如Ｔ??步骤１构建ＢＰ神经网络．根据输入和输出．参数的个数构建神经网络的输入输出层．??

陆文星等：碁乎改迸ＰＳＯ－ＢＰ神餐两络的旅游客流最爾测方渎??１４１３??８期??迭代次数??图２?Ａ函数寻优比较过程??（Ｆｉｇｕｒｅ?２?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／ｉ）??图３?／２函数寻优比较过程??（Ｆｉｇｕｒｅ?３?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／２）??迭代次数??图４?／３函数寻优比较过程??（Ｆｉｇｕｒｅ?４?Ｆｕｎｃｔｉｏｎ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?／ｓ）??３．４基于改进ＰＳＯ优化ＢＰ预测方法??基于对数函数的位置扰动和ｆｔ适应惯性权重的改进ＰＳＯ优化ＢＰ神经网络的主要思想??备：将改进后的ＰＳＯ奠法所得到的最优解作为ＢＰ神经网络的初始权值和阈值．具体的预测??方法：实现过裎如Ｔ??步骤１构建ＢＰ神经网络．根据输入和输出．参数的个数构建神经网络的输入输出层．??

１４１０??系统科学与数学??４０卷??输入层?隐含层?输出层??图１?＠１＊＿神经网备雜构雨??（Ｆｉｇｕｒｅ?１?Ｓｔｒｕｃｔｕｒｅ?ｄｉｓｇｒａｉｎ?ｏｆ?ＢＰ?ｔｔｅｎｒａｌ?ｎｅｔｗｏｒｋ）??２．２粒子群算法??粒子群算法，又称为鸟群觅食算法，其主要思想是通过模拟鸟群觅食行为寻求最优解．??ＰＳＯ算法的运行过程如下：在一个Ｄ维的搜索空间中，由ｍ个随机初始化的粒子组成的粒??子群，根据当前的种群粒子的个体极值巧和群体极值＆？？？，通过反复迭代来改变粒子??的位Ｍ?（〇４，，喊，…和速度…，以获得种群的最优解．在每一次的迭代过??程中，粒子ｊ的速度和位置的更新公式如下式（２．１）、式（２．２）??－?％ａ＾＋?ｃｇｒａｎｄ＾＾?－?（２．３４??其中，４是粒子经过第Ａ：次迭代时在第ｄ维空间的速度，ａ４则是相对应硌的粒子的位??氳ｗ是惯性权重，是加速系数，ｒａｎｄ（）是属于［０，１］之间变化的随机数，只：响是第，个??粒子在当前迭代的历史最优位．置则是在第Ａ：次迭代的种群历史最优位．ｆｔ．??３改进的ＰＳＯ－ＢＰ方法??３．１改进的思想??巾千原始的：ＢＰ神经网络初始权值是采用随机赋值的方法７会导致算法收敛速度慢ｉ??易陷入局部极值．为了克服这一缺陷，本文先对粒子群的惯性权重和位置更新机制进行改??进，将改进后的粒子群算法所得到的最优解作为：ＢＰ神经网络的初始权值，然后将粒子群优??化后的ＢＰ神经网络作为Ｈ客流最的预测模型．??３．２改进的粒子群算法??１〕白适应惯性权重??ＰＳＯ算法性能的好坏与参数的设、置有着极为重要的关联，主要的参数包括惯性权重ｔｔ，、??两个加速常数等其中惯性权重对于算法全局
【相似文献】

相关期刊论文 前10条

1 桑晓丹;;PSO-BP神经网络在多元有害气体检测中的应用[J];广东蚕业;2017年06期

2 龚雪飞;徐景;孙寿通;刘萍;简家文;;PSO-BP神经网络在多元有害气体检测中的应用[J];传感器与微系统;2015年02期

3 王玉冬;朱红;;高新技术企业资金控制效果评价——基于PSO-BP神经网络[J];财会通讯;2017年08期

4 吕磊;王红蕾;;基于PSO-BP神经网络的储能装置实时容量识别与实现[J];现代电子技术;2020年12期

5 郑建国;冯珍慧;;基于PSO-BP神经网络的上市公司财务风险预测研究[J];信息技术与信息化;2016年08期

6 王志红;贺星驰;吴鹏辉;袁雨;;基于PSO-BP神经网络的摩托车排放预测[J];数字制造科学;2018年04期

7 刘冠宇;;基于PSO-BP神经网络的外贸发展状况的评价[J];经济数学;2011年04期

8 行鸿彦;邹水平;徐伟;张强;;基于PSO-BP神经网络的湿度传感器温度补偿[J];传感技术学报;2015年06期

9 苗旭东;魏连鑫;;基于小波和PSO-BP神经网络的金融时序预测[J];信息技术;2018年05期

10 翟帅华;姜雲腾;李萍;;基于改进PSO-BP神经网络的短期电力负荷预测[J];工业控制计算机;2018年09期

相关博士学位论文 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

3 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

4 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年

5 饶红霞;信息受限下神经网络的状态估计和拟同步研究[D];广东工业大学;2019年

6 张马路;Spiking机器学习算法研究[D];电子科技大学;2019年

7 付钱华;忆阻神经网络的动力学研究[D];电子科技大学;2019年

8 毛瑞琛;深度神经网络下的规范化地址建设与语义空间模型研究[D];浙江大学;2019年

9 杨旭辉;基于神经网络的C-ADS InjectorⅡ束流偏移校准技术研究[D];兰州大学;2019年

10 樊英杰;时滞忆阻神经网络的镇定及同步控制研究[D];山东科技大学;2019年

相关硕士学位论文 前10条

1 封鹏;基于PSO-BP神经网络的网络流量预测算法的研究与应用[D];东北大学;2015年

2 崔佳珊;改进PSO-BP网络在工业设计中的应用研究[D];西安电子科技大学;2014年

3 余钜东;正则化方法解决神经网络稀疏化问题[D];大连理工大学;2015年

4 裴子龙;基于卷积神经网络的人脸性别识别研究[D];山西师范大学;2017年

5 周书清;基于神经网络的系统辨识与控制[D];华北电力大学(北京);2017年

6 高传俊;基于PSO-BP神经网络的Lucene搜索引擎的研究[D];中国石油大学（华东）;2013年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 吴昌友;神经网络的研究及应用[D];东北农业大学;2007年

9 闫明;基于FPGA的神经网络硬件实现[D];中国海洋大学;2008年

10 孙武彪;基于BP神经网络的沪深300指数预测分析[D];中南财经政法大学;2019年

本文编号：2852411