共查询到10条相似文献,搜索用时 31 毫秒
1.
针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。 相似文献
2.
基于多因素的铁路货运量BP神经网络预测研究 总被引:1,自引:0,他引:1
在对铁路运输影响因素进行定性及定量分析的基础上,选取了国内生产总值、第二产业比重、原煤产量、原油产量等10个指标作为影响因素,运用BP神经网络模型构建它们与铁路货运量之间的复杂映射,从而对铁路货运量进行预测,并以近12年铁路货运量为实例进行验证。 相似文献
3.
基于径向基神经网络的铁路货运量预测 总被引:12,自引:0,他引:12
货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。 相似文献
4.
基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法,建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列,并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射,利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多,可为铁路货运量预测研究提供方法支撑。 相似文献
5.
6.
随着铁路部门信息化的建设,海量的数据积累使得采用数据挖掘技术对铁路货运量进行预测十分必要.通过系统分析、数据预处理、数据挖掘及知识提取,提出了预测铁路货运量的三种算法:线性回归、BP神经网络及支持向量回归机,并通过实例验证比较了算法的有效性. 相似文献
7.
8.
基于BP神经网络的铁路货运量预测 总被引:8,自引:0,他引:8
在铁路货运量预测中,为改善传统预测方法数据拟合度不高、外推性不强等问题,提出基于BP神经网络技术的货运量预测模型,该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现,该模型具有较强的自适应性,其拟合、预测结果优于灰色预测模型GM(1,1)和修正指数回归模型,证实了该方法的可行性和可靠性。 相似文献
9.
10.
为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。 相似文献