����GRA ��KPCA ��LSSVM ��������Ԥ��

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法。首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群(IPSO)算法调整LSSVM参数。运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度。     

基于AOA-LSSVM模型的枢纽城市物流需求量预测

传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明：该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1 946.4,1 206.1,0.028 4,0.039 7。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性。另外,计算结果表明基于主成分分析（PCA）的BP神经网络法优于BP神经网络法。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性.另外,计算结果表明基于主成分分析(PCA)的BP神经网络法优于BP神经网络法.     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测.算例表明,该模型可以提高预测精度.     

基于KPCA和ANFIS的色彩校正

提出结合核主成分分析（KPCA）和自适应神经模糊推理系统（ANFIS）的色彩校正（KPCA_ANFIS）算法.首先将数据通过核函数映射到高维空间,再通过KPCA提取主成分,最后通过ANFIS学习达到色彩校正的目的.实验结果验证了ANFIS用于色彩校正的可行性和有效性,KPCA_ANFIS算法的精度和鲁棒性均优于传统ANFIS.对测试数据（训练数据）的平均误差、最大误差和标准差较传统ANFIS分别下降了37%（45%）,34%（40%）和35%（40%）.     

多因素轨道交通客流量预测模型研究

针对传统预测模型只关注时间因素的不足,提出一种引入天气因素同时考虑日期属性的预测模型。首先通过显著性检验确定天气因素与客流量的相关程度,再采用灰色关联度分析(GRA)计算各天气因素与客流量的非线性关联度,逐步筛选关联度低的天气因素。每次筛选后利用双向长短期记忆(BiLSTM)神经网络进行预测,提出GRA-BiLSTM预测模型。结果表明:将GRA值低于0.6的天气因素作为变量会降低预测精度,逐步剔除关联度低的天气因素获得的GRA-BiLSTM相较于传统LSTM,无论工作日还是非工作日,预测误差均显著降低,同时收敛速度与鲁棒性也优于传统机器学习。     

基于PCA和HMM的汽车保有量预测方法

分析了常用的汽车保有量预测方法,提出了一种新的基于主成分分析和隐马尔可夫模型的汽车保有量预测方法.选取国民总收入、人均GDP、人口总数量、城市化率、固定资产投资总额、进出口总额、城镇居民人均可支配收入、钢材产量、公路货运量、公路客运量、社会消费品零售总额11个指标作为汽车保有量的主要影响因素,运用主成分分析提取了主要影响因素的主成分.以提取的主成分与汽车保有量分别作为自变量、因变量,建立了回归分析模型.以汽车保有量回归预测值的年增长率为隐状态,以回归预测值与实际值的相对误差为可见信号,建立了隐马尔科夫模型,并对的汽车保有量回归预测值进行修正.分析结果表明:基于1994～2008年的中国汽车保有量及其主要影响因素的历史数据,应用提出的方法得到2009、2010年的汽车保有量修正值分别为6.220 96×107、7.825 12×107 veh;与2009、2010年实际汽车保有量比较,相对误差分别为-0.95％、0.30％.可见,基于主成分分析和隐马尔科夫模型的汽车保有量预测方法具有良好的预测精度,能够适用于短期预测.     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测。算例表明,该模型可以提高预测精度。     

城市物流园区需求预测的系统动力学模型构建

针对目前物流需求预测中主要采用的回归分析方法和时间序列模型存在的缺陷,运用系统动力学方法研究城市物流园区规划中的需求预测问题。对物流园区系统内部要素作用机制以及与外部经济系统的相互作用机制进行分析。将物流需求预测的影响因素归纳为物流供给能力和区域经济发展两类,并探讨了这两类因素与物流需求之间的反馈。运用系统动力学的理论和方法构建了城市物流园区需求预测模型,将物流需求、物流供给能力以及区域经济发展三者的动态关系纳入其中。指出物流需求预测不仅要考虑当前的资源情况和经济水平,还要用动态的眼光进行系统分析。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

分行业的货运需求量组合预测研究

论证了分行业预测货运需求量的科学性。通过对物流需求影响因素的分析,建立了回归分析、灰色系统的物流需求单项预测模型,鉴于单项预测模型的局限性,建立了物流需求组合预测模型。     

���ڶ���“�ֽ�-����”���Ե�����������Ԥ��

货运量预测是制定物流政策和决定物流基础设施布局的重要依据。针对受多因素影响的货运量预测具备较强非线性和模糊性特征,提出一种基于趋势分解和小波变换的多重“分解—集成”预测方法。利用趋势分解将货运量分解为趋势项和非趋势项,通过小波分解将非趋势项进一步分解成低频项和高频项,分别建立预测模型,选用相加集成得到货运量预测值。实证表明,“分解—集成”的预测策略将非平稳货运量分解为相对平稳的子序列组合,降低了问题复杂度,有效提高了预测性能,与传统的趋势分解预测模型和小波分解预测模型相比,多重“分解—集成”预测模型精度更高。     

基于遗传BP神经网络的城市物流需求量预测

结合遗传算法与BP神经网络算法预测城市物流需求量,通过算例对比证明了遗传BP神经网络算法在预测的精度与收敛速度上均优于单一算法.基于物流业的广泛性提出采用3种物流需求量作为网络的输出指标,提高了物流需求量预测的广度与可信度,并提出了一种连续预测未来数年物流需求量的方法以便于运用于实际决策之中.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

神经网络模型预测运输货运量

从交通运输需求的角度描绘了交通运输需求与国民经济的一些主要经济变量的相关关系,基于这些相关关系建立了交通运输需求预测的神经网络模型,利用误差反向传播算法实现了由这些因素到运输系统需求的复杂映射。并进行了实例验证分析。     

人工神经网络模型的江西省物流需求预测

区域物流与区域经济息息相关。为了准确预测区域物流需求规模,运用灰色关联对决定区域物流需求的经济因素以及他们之间的相关性进行分析,建立区域物流需求预测指标体系和BP神经网络区域物流预测模型。通过实证分析,验证了预测模型的有效性,并对江西未来5年的物流需求做出了预测。