混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.     

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。     

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...     

��·������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.     

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。     

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.     

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。     

基于MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

基于主成分分析和极限学习机的公路货运量预测研究

提出了一种基于主成分分析和极限学习机的计算方法,并用这种方法对货物运输量进行预测。该方法首先利用主成分分析的方法融合多个影响货运量的因素,获取主成分;然后建立极限学习机模型来预测公路货运量;最后计算模型性能指标并与相关模型进行对比。结果表明,基于主成分分析和极限学习机的货物运输量预测方法具有较高的稳定性和预测精度。     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.     

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。     

�����ۻ�������Ԥ���о�

本文的核心工作是建立了RBF神经网络—Monte Carlo货物吞吐量预测模型，利用大连港货物吞吐量的历史数据，对2006年-2010年以及2020年的大连港货物吞吐量进行预测。以RBF神经网络的预测为基础，利用Monte Carlo仿真方法对大连港货物吞吐量的预测结果进行可信度分析。得到了预测结果区间，以及预测结果在每个区间上出现的概率。文章证明了神经网络—Monte Carlo预测模型在吞吐量预测领域中的可行性，而且预测结果为大连建设东北亚建设航运中心提供了参考依据。     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

�������ģ�͵������˼�ָ��������Ԥ��

分析原油价格对油轮运价指数的影响关系,并预测油轮运价指数发展变化趋势.本文通过Granger因果关联分析,原油价格是油轮运价指数的3阶Granger因.因此,建立了3阶ARCH模型对油轮运价指数进行了预测,预测精度在8%之内.根据油轮运价指数的自身非线性变化趋势,建立了三层BP神经网络模型预测油轮运价指数的发展趋势,精度在3%以内.为进一步提高模型的预测精度,结合ARCH预测模型和BP神经网络预测模型的特点,通过预测误差最小化模型,确定组合权重,建立了新的组合预测模型对未来油轮运价指数进行分析预测,模型的精度控制在2%以内,预测精度显著提高.此研究对油轮运价指数的预测提供了较好的方法.