基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。     

基于GA-BP模型的铁路货运量预测

针对于目前已有铁路货运量预测方法的缺陷与不足,提出基于遗传算法和神经网络的混合预测模型对铁路货运量的预测方法进行改进优化,目的保证其预测精度.首先引用灰色关联分析法,以此来确定全国铁路货运量与其主要影响因子之间的关联度,然后按照其关联度在标准值之上的关联因子,建立GA-BP神经网络预测模型.最后通过实例分析表明,此模型预测精度及推广能力均优于传统的预测方法,从而证明该方法的可行性和有效性.     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

基于模型组合的铁路集装箱运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

����ģ����ϵ���·��װ������Ԥ��

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

BP神经网络在新疆货运量预测中的应用

在分析货运量影响因素的基础上,利用BP神经网络建立新疆货运量时间序列预测网络结构模型.利用1995～2006年新疆货运量历史数据,对模型进行训练和拟合,再选用2007 ～2008年的历史数据作为网络模型检验样本,同时采用移动平均法、指数平滑法对新疆货运量进行预测,并对预测结果作对比分析.研究表明,采用BP神经网络预测新...     

用改进的前向神经网络预测铁路货运量

对影响铁路货运量的因素进行了分析。根据影响铁路货运量的诸因素的特点，介绍了一种改进的前向神经网络预测方法，并建立了铁路货运量前向神经网络预测模型。算例表明，其预测精度高于常规预测方法。     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

5A06铝合金板材热态本构模型及韧性断裂准则

为了获取材料在不同条件下成形性能指标,对5A06铝合金板材进行了热态单向拉伸试验,结合热态单向拉伸试验和韧性断裂试验结果,提出了一种修正Misiolek模型;利用修正模型的外插性能预测颈缩后板材流变应力,应用径向基函数神经网络算法建立了Cockroft-Latham韧性断裂阈值预测模型,并对该模型进行了预测精度评估.结果表明,流变应力对温度及应变速率敏感,对比径向基函数网络模型预测误差小于10.6%.      

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

混合不确定条件下绿色多式联运路径优化

主要研究了当运输时间、中转时间、客户需求和中转集拼货运量四重混合不确定因素服从随机分布时的绿色多式联运路径优化问题，运用随机优化理论，以运输成本、碳排放成本和时间惩罚成本为目标，建立混合不确定条件下绿色多式联运路径优化模型.通过对各子目标函数权重进行赋值，得出考虑不同成本因素的多式联运路径优化方案.探讨时间、需求和网络服务能力对多式联运路径优化结果的灵敏度分析，发现各成本随时间变动而变化的规律和边际运输成本最小时的服务时间；当货运量形成规模效应后可降低边际运输成本；不同网络服务规模的运输路径优化结果，以及满足客户不确定需求的最小网络配置.     

混合不确定条件下绿色多式联运路径优化

主要研究了当运输时间、中转时间、客户需求和中转集拼货运量四重混合不确定因素服从随机分布时的绿色多式联运路径优化问题,运用随机优化理论,以运输成本、碳排放成本和时间惩罚成本为目标,建立混合不确定条件下绿色多式联运路径优化模型.通过对各子目标函数权重进行赋值,得出考虑不同成本因素的多式联运路径优化方案.探讨时间、需求和网络服务能力对多式联运路径优化结果的灵敏度分析,发现各成本随时间变动而变化的规律和边际运输成本最小时的服务时间;当货运量形成规模效应后可降低边际运输成本;不同网络服务规模的运输路径优化结果,以及满足客户不确定需求的最小网络配置.     

基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用

采用BP神经网络建立公路货运量组合预测的理论模型,灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能,有效克服传统的组合预测方法在实际应用中把数据间的关系强加给某一类函数的不足,并借助于先进的数学计算软件MATLAB进行简单的编程,大大降低模型的计算难度,实例证明该方法具有更高的预测精度。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.