基于ACA—NN的合肥公路客运系统的开发设计

　随着汽车保有量的增加，公路客运量也随之增加，公路客运能力受到了极大的挑战。如何有效利用现有工具来预测客运量，满足公路客运管理和交通工程建设，这是交通管理和建设部门面临的一项重要工作任务。国内外学者对预测模型进行了大量详尽的研究，其中AR模型、ARMA模型、ARIMA模型、Box-Jenkins方法、马尔可夫方法、灰色系统方法及统计回归方法等建模方法比较常用[1～2]。这些方法很多是线性的，无法逼近真实的历史数据；也有利用原始BP神经网络方法来预测，虽然多层BP网络可以实现任意可实现的线性和非线性函数的映射，但是在训练过程中易陷入局部最小的情况，所以这些预测方法的准确率还不是很高。该文针对神经网络存在无法有效收敛最优值问题，构建基于蚁群算法优化的神经网络的公路客运预测模型[3]。经过对2012年合肥公路客运量进行预测分析，掌握各个时段客运量的分布，有利于相关部门作出相应决策，应对客运高峰期带来的种种压力，更好地满足广大人民群众的需求， 以最合理的人力和财力的投入，来获得最大经济效率，达到最好的社会效果。
　　1 蚁群算法
　　蚁群算法（Ant Colony Algorithm，简称ACA）是人们受到对自然界中真实的蚂蚁群体行为启发而提出的一种仿生优化算法。属于随机搜索算法，该算法是在1991年召开的第一界欧洲人工生命会议上，由Dorigo M等人第一次提出的关于蚁群算法的基本模型[4]。Dorigo M等人通过模拟蚂蚁搜索食物的过程（就是怎样去找到蚁穴到食物源的最短路径，前提是在个体之间相互合作的情况下）来求解TSP问题。
　　该算法以前主要解决一维的静态优化问题，发展到现在用于解决多维动态组合优化的问题，在多种研究领域，已经得到广泛应用。蚁群算法目前软件及硬件的实现上都取得了突破性的研究进展，既具有深刻的学术思想，又具有广阔的发展前景。
　　以TSP为例，基本蚁群算法的程序结构流程图如图1。
　　2 蚁群算法与神经网络NN（Neural Network）的融合
　　2.1 基本思想
　　针对反向传播BP（Back Propagation）算法容易陷入局部极小的不足，采用蚊群优化算法ACO（Ant Colony Optimizati蚁群优化神经网络训练过程就是在实数权值组合中，找到一组最优的，使得期望结果与输出结果之间的误差达到最小，而蚁群算法正是寻找这样的最优权值组合的不错选择。
　　2.2 构建蚁群优化神经网络ACONN系统
　　应用蚁群优化神经网络ACONN（Ant Colony Optimization Neural Network）系统预测的框图2如下，首先对输入数据进行预处理，再建立原始的神经网络，再次利用蚁群算法来优化神经网络的权值、阈值构建一个性能完好的ACONN系统，最后利用优化好的ACONN系统来预测，输出预测数据。
　　图2 ACONN系统预测图
　　3 合肥客运量预测的蚁群优化神经网络模型构建
　3.1 样本采集与数据预处理
　　样本选择了以合肥市历年的客运量为样本数据，月为单位的训练样本选择了2011年每月的数据，预测2012年中每月的客运总量。
　　由于BP神经网络要求输入的数据范围一般在（0，1）。因此对样本数据进行归一化处理。其公式为[6]：
　　[Y=X-XminXmax-Xmin]
　　其中Xmax取一个比较大的值，保证预测年的数据小于该数值， Xmin取一个小于样本数据序列中最小值的值，保证归一化后的数据不太接近于0。
　　3.2 预测方式选择及ACONN的训练样本设计
　　我们知道，目前我们基于蚁群优化的神经网络的客运预测模型，它是属于一种数据驱动的方法，也就是说，我们去利用目前神经网络的一种非线性的特性去逼近一个时间序列，这样通过神经网络的清晰逻辑关系，并且利用过去时刻的值，去表达未来某一时刻的值。我们的人工神经网络预测，目前可以分为单变量时间序列预测和多变量时间序列预测[7]。所以说无论是单变量时间序列预测还是多变量时间序列预测，都可以使用我们平时的常用的方法，共有三种是：单步预测，滚动预测，多步预测[8]。
　　现采用的是滚动预测方式，在训练样本设计时需要根据网络的结构。以月为单位预测，采用2个输入，即连续两年的同月份2个月数据作为输入，下一年同月份作为输出。设有归一化的样本集 X（t）（t=1，2，…，n），选择一步预测时，选取个m输入，1个输出，可组成如下的训练组对：
　　表1
　　[输入数据 期望输出＼&X（1），X（2），…，X（m） X（m+1）＼&X（2），X（3），…，X（m+1） X（m+2）＼&…… ……＼&X（n-m），X（n-m+1），…，X（n-1） X（n）＼&]
　　3.3 蚁群优化神经网络的结构与参数
　　现在我们所熟知的蚁群优化神经网络采用具有一个隐含层的三层BP网络结构。由于采用年和月为单位预测，因此根据需要在输入层、隐含层上有差别，具体的各层神经元个数在年与月的预测中有具体的设置。目前，我们可以去根据万能逼近定理，如果有一个三层的BP网络，它可以以任意的精度去逼近一个连续函数。这样，也就是说可以采用具有一个隐含层的三层BP网络结构。在网络模型结构确定的基础上设定网络参数，网络的连接数目S，蚁群算法参数选为ρ=0.7，Ant=40，网络权值参数随机值选值N=30， 网络权值参数随机值范围为[-3，3]，训练次数为500次学习，像Q、S等参数根据年和月的预测会有所不同，在后续有具体设置。
　　3.4 预测分析
　　现在用蚁群优化神经网络ACONN、反向传播神经网络BPNN、灰色预测GM（1，1）三种模型分别对来合肥市客运量进行预测。ACONN是通过蚁群算法找到最优的初始权值，从而固定了初始权值，因此每次的预测值几乎趋于固定；可是目前神经网络中，我们知道它的初始权值的选取，都是具有随机性的，所有我们去使用相同的数据，去进行多次预测时时候，得到的预测结果就不会完全相同。因此，为了使预测更具有一定的普遍性，ACONN与BPNN可以采取一样的网络结构，同时我们选取10次预测的平均值作为最终的预测结果。
　　将ACONN、BPNN、GM（1，1）模型分别作预测，将预测结果进行反归一化，预测结果如下表：
　　表2
　　将ACONN、BPNN、GM（1，1）模型预测合肥市客运量结果用 图形表示，可以更直观看到它们之间预测的精度。具体预测结果如图3。
　　图3 ACONN、BPNN、GM（1，1）模型预测结果图
　　从每幅图形可以直观地看出ACONN的数据在实际值附近有很小的波动，BPNN数据值比ACONN的在实际值附近波动要大些，而GM（1，1）数据只有中间很小区间比较精确一点，而数据的开始和末端状态都表现出发散，其数据预测精度不高。所以比较之，ACONN很明显表现出很好的优势，预测数据比较稳定。
　　4 结束语
　　ARIMA模型、Box-Jenkins方法、马尔可夫方法、灰色系统方法及统计回归方法等，这些预测方法很多是线性的，无法逼近真实的历史数据。利用原始BP神经网络方法来预测，我们现在知道，虽然多层的BP网络能去实现任意一个可实现的线性以及非线性函数的映射，但是在训练过程中易陷入局部最小的情况，所以这些预测方法的准确率还不是很高。经过分析蚁群算法在神经网络中应用的可行性后，提出一种基于蚁群算法和神经网络相结合的新型预测方法，该方法可以有效地避免原始BP神经网络存在的问题和单一预测方法精确度不高的缺陷，为预测提供了新的途径。
　　参考文献：
　　[1] 翁钢民，郑竹叶，刘洋，等.基于GM-Markov 模型的旅游客源预测[J].燕山大学学报，2008，9（2）：109-112.
　　[2] 李松，刘力军，郭海玲.短时交通流混沌预测方法的比较[J].系统工程，2009，27（9）：60-64.
　　[3] 董超俊，刘智勇.多层混沌神经网络及其在交通量预测中的应用[J].系统仿真学报，2007，19（10）：101-104.
　　[4] 张维存，郑丕谔，吴晓丹.蚁群遗传算法求解能力约束的柔性作业车间调度问题[J].计算机集成制造系统，2007，13（2）：333-337.
　　[5] 万李，杨杰.小波神经网络在短时交通流量预测中的应用[J].计算机仿真，2012，29（9）：352-355.
　　[6] 方琴，李永前.K 近邻短期交通流预测[J].重庆交通大学学报：自然科学版，2012，31（4）：829-831.
　　[7] 吴宝春，郑蕊蕊，李敏，杨亚宁.基于遗传灰色GM（1，1，ρ）模型的短时交通流量预测[J].电子设计工程，2012，20（13）：165-167.
　　[8] 郭杰，丁镠，朱超余.灰色预测模型的系统动力学仿真[J].电子设计工程，2011，19（14）：4-7.