%準備好訓練集

%人數(單位：萬人)
numberOfPeople=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];
%機動車數(單位：萬輛)
numberOfAutomobile=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];
%公路面積(單位：萬平方公里)
roadArea=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
%公路客運量(單位：萬人)
passengerVolume = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];
%公路貨運量(單位：萬噸)
freightVolume = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];

%輸入資料矩陣
p = [numberOfPeople; numberOfAutomobile; roadArea];
%目標（輸出）資料矩陣
t = [passengerVolume; freightVolume];

%對訓練集中的輸入資料矩陣和目標資料矩陣進行歸一化處理
[pn, inputStr] = mapminmax(p);
[tn, outputStr] = mapminmax(t);

%建立BP神經網路
net = newff(pn, tn, [3 7 2], {'purelin', 'logsig', 'purelin'});

%每10輪迴顯示一次結果
net.trainParam.show = 10;

%最大訓練次數
net.trainParam.epochs = 5000;

%網路的學習速率
net.trainParam.lr = 0.05;

%訓練網路所要達到的目標誤差
net.trainParam.goal = 0.65 * 10^(-3);

%網路誤差如果連續6次迭代都沒變化，則matlab會預設終止訓練。為了讓程式繼續執行，用以下命令取消這條設定
net.divideFcn = '';

%開始訓練網路
net = train(net, pn, tn);

%使用訓練好的網路，基於訓練集的資料對BP網路進行模擬得到網路輸出結果
%(因為輸入樣本（訓練集）容量較少，否則一般必須用新鮮資料進行模擬測試)
answer = sim(net, pn);

%反歸一化
answer1 = mapminmax('reverse', answer, outputStr);

%繪製測試樣本神經網路輸出和實際樣本輸出的對比圖(figure(1))-------------------------------------------
t = 1990:2009;

%測試樣本網路輸出客運量
a1 = answer1(1,:); 
%測試樣本網路輸出貨運量
a2 = answer1(2,:);

figure(1);
subplot(2, 1, 1); plot(t, a1, 'ro', t, passengerVolume, 'b+');
legend('網路輸出客運量', '實際客運量');
xlabel('年份'); ylabel('客運量/萬人');
title('神經網路客運量學習與測試對比圖');
grid on;

subplot(2, 1, 2); plot(t, a2, 'ro', t, freightVolume, 'b+');
legend('網路輸出貨運量', '實際貨運量');
xlabel('年份'); ylabel('貨運量/萬噸');
title('神經網路貨運量學習與測試對比圖');
grid on;

%使用訓練好的神經網路對新輸入資料進行預測

%新輸入資料(2010年和2011年的相關資料)
newInput = [73.39 75.55; 3.9635 4.0975; 0.9880 1.0268]; 

%利用原始輸入資料(訓練集的輸入資料)的歸一化引數對新輸入資料進行歸一化
newInput = mapminmax('apply', newInput, inputStr);

%進行模擬
newOutput = sim(net, newInput);

%反歸一化
newOutput = mapminmax('reverse',newOutput, outputStr);

disp('預測2010和2011年的公路客運量分別為(單位：萬人)：');
newOutput(1,:)
disp('預測2010和2011年的公路貨運量分別為(單位：萬噸)：');
newOutput(2,:)

%在figure(1)的基礎上繪製2010和2011年的預測情況-------------------------------------------------------
figure(2);
t1 = 1990:2011;

subplot(2, 1, 1); plot(t1, [a1 newOutput(1,:)], 'ro', t, passengerVolume, 'b+');
legend('網路輸出客運量', '實際客運量');
xlabel('年份'); ylabel('客運量/萬人');
title('神經網路客運量學習與測試對比圖(添加了預測資料)');
grid on;

subplot(2, 1, 2); plot(t1, [a2 newOutput(2,:)], 'ro', t, freightVolume, 'b+');
legend('網路輸出貨運量', '實際貨運量');
xlabel('年份'); ylabel('貨運量/萬噸');
title('神經網路貨運量學習與測試對比圖(添加了預測資料)');
grid on;
 

5. 執行結果

預測2010和2011年的公路客運量分別為(單位：萬人)：

ans =

1.0e+04 *

4.4384 4.4656

預測2010和2011年的公路貨運量分別為(單位：萬噸)：

ans =

1.0e+04 *

2.1042 2.1139

6. 繪製的影象

1. figure(1) 
   
    
2. figure(2)