论文部分内容阅读
摘要：灰色预测是一种运算简便、易于检验的数学预测模型方法，而神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。本文通过将两种模型有机的结合，很好的完成了对成都市近年来的城市道路交通噪声进行的预测工作，可以为城市道路交通建设等相关工作提供一定的指导。
关键词：灰色预测、神经网络、交通噪声
一、灰色预测概述
灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列，是一种对原始数据作累加生成得到近似指数规律再进行建模的方法。[1]对于小样本的数据集合能够利用微分方程来充分挖掘系统的本质；因此，它是一种能够解决历史数据少、序列的不完整及可靠性低的手段和方法。另一方面，它能将无规律的原始数据进行生成得到规律性强的序列，便于检验的同时也能够保证良好的精度，适合于各类具有指数型增长特征的预测问题研究。
二、神经网络概述
人工神经网络（Artificial Neural Network ）是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入与输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。学习过程可分为信号的正向传播和误差的逆向传播两部分。在正向传播的过程中，信号作用于输入层，经过隐层处理后到达输出层，由输出层输出结果信号。如果结果信号和期望的输出不符，则进入误差的逆向传播过程。将输出误差以某种形式通过隐层向输入层逐层反向传递，并将误差分摊给该层的所有单元，对这些单元的权值进行修正。不断重复此过程，直到网络输出的误差小于设定值或进行到预先设定的学习次数为止。
三、实例研究
经过以上的说明分析，如果研究的趋势增长预测问题面临样本少，涉及问题复杂、难以通过内在机理分析得到结论的困难时，可以选择通过灰色模型及神经网络算法进行趋势增长预测及检验。这样，在保证高预测精度的同时可以为后续生产管理活动提供一定的参考和依据。
下面以成都市的道路交通噪声污染为例，利用灰色模型来预测城市道路交通噪声的增长趋势，进而通过初始化后的BP神经网络对预测结果进行检验，最终确定模型结果的精度。
随着城市化进程速度的不断升级，城市道路的噪声已经成为了环境评估等方面的一个重要指标，得到了很多环境交通工作者的关注。通过在成都统计局上查找成都市2006年至2012年城市环境噪声数据如下：
表一：成都市交通噪声 数据
年份
年份
2006 71.1 2010 71.4
2007 72.4 2011 72.0
2008 72.4 2012 71.6
2009 72.1
首先，为了弱化原始时间序列的随机性，对 做累加生成灰色模块，得到的累加数据集合为：
其次，对数列 建立城市道路交通噪声的增长预测模型的白化形式方程，
式中，
——为待估计参数，分别称为发展灰数和内生控制灰数。
利用灰色预测相关理论计算，利用matlab编程求得，
将相关参数代入上式，并解微分方程，得 灰色预测模型为：
最后，对模型进行后验差检验，得到小误差概率 值为1，方差比 值为0.42。在灰色预测理论中，将精度等级分为四级，根据预测精度等级表本预测结果的评价等级为好，预测结果显示2015年的年度城市环境噪声为69.8db。以上通过灰色模型得到了预测的结合，为了检验此模型的精确度，引入神经网络来对结果进行检验。由于神经网络有良好的非线性映射能力和泛化能力，且有很高的客观性，在现实生活中得到了广泛的运用。
初始化神经网络后，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；修正神经网络中的连接权值，当输出的误差函数小于设定值或者学习次数已到上限时，退出训练过程。根据已知数据，建立BP神经网络模型，然后按照上述训练方式，将现有的成都市7年噪声数据作为训练样本带入模型进行训练，利用matlab编程求解，最终将得到的BP神经网络的预测值与训练样本的期望输出进行对比。设对事件 ，神经网络的评价值为，训 练样本的期望输出 ，则神经网络评价值的绝对误差：
利用神经网络模型得到的2015年成都市交通噪声为69.6db，得到的绝对误差仅有0.2db，所以使用BP神经网络模型训练时，两个模型的预测值基本吻合，建立的神经网络模型训练有效。
四、小结
本文以成都市城市道路交通噪声趋势预测为例，对于小样本数据问题或是难以用机理分析作出预测决策的时候，可以通过将灰色预测与神经网络有机的结合在一起来完成相关的预测工作。一方面，工作量小的同时也减少了主观上预测判断的错误所带来的损失，另一方面通过数学手段可以对今后工作的开展提供决策依据，具有一定的准确性。
参考文献：
[1] 成都市统计信息网，http：//www.cdstats.chengdu.gov.cn，2014.12.15；
[2]陈华溢， 基于 BP 神经网络的企业文化影响力评价 [J]，江苏，2008；
关键词：灰色预测、神经网络、交通噪声
一、灰色预测概述
灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列，是一种对原始数据作累加生成得到近似指数规律再进行建模的方法。[1]对于小样本的数据集合能够利用微分方程来充分挖掘系统的本质；因此，它是一种能够解决历史数据少、序列的不完整及可靠性低的手段和方法。另一方面，它能将无规律的原始数据进行生成得到规律性强的序列，便于检验的同时也能够保证良好的精度，适合于各类具有指数型增长特征的预测问题研究。
二、神经网络概述
人工神经网络（Artificial Neural Network ）是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入与输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。学习过程可分为信号的正向传播和误差的逆向传播两部分。在正向传播的过程中，信号作用于输入层，经过隐层处理后到达输出层，由输出层输出结果信号。如果结果信号和期望的输出不符，则进入误差的逆向传播过程。将输出误差以某种形式通过隐层向输入层逐层反向传递，并将误差分摊给该层的所有单元，对这些单元的权值进行修正。不断重复此过程，直到网络输出的误差小于设定值或进行到预先设定的学习次数为止。
三、实例研究
经过以上的说明分析，如果研究的趋势增长预测问题面临样本少，涉及问题复杂、难以通过内在机理分析得到结论的困难时，可以选择通过灰色模型及神经网络算法进行趋势增长预测及检验。这样，在保证高预测精度的同时可以为后续生产管理活动提供一定的参考和依据。
下面以成都市的道路交通噪声污染为例，利用灰色模型来预测城市道路交通噪声的增长趋势，进而通过初始化后的BP神经网络对预测结果进行检验，最终确定模型结果的精度。
随着城市化进程速度的不断升级，城市道路的噪声已经成为了环境评估等方面的一个重要指标，得到了很多环境交通工作者的关注。通过在成都统计局上查找成都市2006年至2012年城市环境噪声数据如下：
表一：成都市交通噪声 数据
年份
年份
2006 71.1 2010 71.4
2007 72.4 2011 72.0
2008 72.4 2012 71.6
2009 72.1
首先，为了弱化原始时间序列的随机性，对 做累加生成灰色模块，得到的累加数据集合为：
其次，对数列 建立城市道路交通噪声的增长预测模型的白化形式方程，
式中，
——为待估计参数，分别称为发展灰数和内生控制灰数。
利用灰色预测相关理论计算，利用matlab编程求得，
将相关参数代入上式，并解微分方程，得 灰色预测模型为：
最后，对模型进行后验差检验，得到小误差概率 值为1，方差比 值为0.42。在灰色预测理论中，将精度等级分为四级，根据预测精度等级表本预测结果的评价等级为好，预测结果显示2015年的年度城市环境噪声为69.8db。以上通过灰色模型得到了预测的结合，为了检验此模型的精确度，引入神经网络来对结果进行检验。由于神经网络有良好的非线性映射能力和泛化能力，且有很高的客观性，在现实生活中得到了广泛的运用。
初始化神经网络后，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；修正神经网络中的连接权值，当输出的误差函数小于设定值或者学习次数已到上限时，退出训练过程。根据已知数据，建立BP神经网络模型，然后按照上述训练方式，将现有的成都市7年噪声数据作为训练样本带入模型进行训练，利用matlab编程求解，最终将得到的BP神经网络的预测值与训练样本的期望输出进行对比。设对事件 ，神经网络的评价值为，训 练样本的期望输出 ，则神经网络评价值的绝对误差：
利用神经网络模型得到的2015年成都市交通噪声为69.6db，得到的绝对误差仅有0.2db，所以使用BP神经网络模型训练时，两个模型的预测值基本吻合，建立的神经网络模型训练有效。
四、小结
本文以成都市城市道路交通噪声趋势预测为例，对于小样本数据问题或是难以用机理分析作出预测决策的时候，可以通过将灰色预测与神经网络有机的结合在一起来完成相关的预测工作。一方面，工作量小的同时也减少了主观上预测判断的错误所带来的损失，另一方面通过数学手段可以对今后工作的开展提供决策依据，具有一定的准确性。
参考文献：
[1] 成都市统计信息网，http：//www.cdstats.chengdu.gov.cn，2014.12.15；
[2]陈华溢， 基于 BP 神经网络的企业文化影响力评价 [J]，江苏，2008；