基于小波神经网络的短时交通流量预测

%% 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（input2）; 
N=size（output2）; 

n=6; 
lr1=0.01; 
lr2=0.001; 
maxgen=100; 

%权值初始化
Wjk=randn（nM）;Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij=randn（Nn）;Wij_1=Wij;Wij_2=Wij_1;
a=randn（1n）;a_1=a;a_2=a_1;
b=randn（1n）;b_1=b;b_2=b_1;

%节点初始化
y=zeros（1N）;
net=zeros（1n）;
net_ab=zeros（1n）;

%权值学习增量初始化
d_Wjk=zeros（nM）;
d_Wij=zeros（Nn）;
d_a=zeros（1n）;
d_b=zeros（1n）;

%% 输入输出数据归一化
[inputninputps]=mapminmax（input‘）;       
[outputnoutputps]=mapminmax（output‘）; 
inputn=inputn‘;
outputn=outputn‘;

error=zeros（1maxgen）;
%% 网络训练
tic
for i=1:maxgen
    
    %误差累计
    error（i）=0;
    
    % 循环训练
    for kk=1:size（input1）  
        x=inputn（kk:）;    
        yqw=outputn（kk:）;
        for j=1:n           
            for k=1:M       
                net（j）=net（j）+Wjk（jk）*x（k）;  
                net_ab（j）=（net（j）-b（j））/a（j）; 
            end
            temp=mymorlet（net_ab（j））;
            for k=1:N       
                y=y+Wij（kj）*temp;  
            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（kj）=d_Wij（kj）-（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（jk）=d_Wjk（jk）+（yqw（l）-y（l））*Wij（lj） ;
                end
                d_Wjk（jk）=-d_Wjk（jk）*temp*x（k