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.     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.     

改进SVR及其在铁路客运量预测中的应用

为了提高铁路客运量现有预测方法的预测能力,用训练样本与测试样本间的马氏距离对惩罚因子进行加权,对传统的支持向量回归机(SVR)进行了改进,在此基础上提出了基于改进SVR的铁路客运量时间序列预测方法.以1980~1998年铁路客运量预测为例,对SVR方法和BP人工神经网络(BPANN)方法进行了比较,结果表明,SVR方法能获得更准确的预测结果.     

基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。     

基于数据挖掘算法的汽车销售预测模型的应用研究

针对中国汽车工业协会的汽车历史销量数据,利用时间序列法和RBF神经网络法进行汽车销售量预测,利用SPSS18.0统计软件建立了RBF神经网络模型,最终对几种预测方法进行了对比研究。结果证明:RBF神经网络具有更精确的预测值。     

基于灰色关联理论与多元线性回归模型的铁路客运量预测

对铁路客运量进行定性分析,采用灰色理论中的灰色关联分析方法,对影响铁路客运量的因素进行关联分析,挑选出关联性最强的因素,建立铁路客运量与影响因素之间的多元回归预测模型,通过实例证明,该预测方法简单可行,预测精度较高。     

对湖北省公路客运量预测模型的探讨

介绍了一元线性回归、确定性时间序列模型、灰色模型预测的基本原理,利用这些预测方法对湖北省公路客运量进行预测,给出其预测公式、预测精度并绘出预测图形,比较了各预测方法在公路客运量预测中的特点。     

��·������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IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。     

铁路客运量的系统动力学预测

在分析铁路客运量主要影响因素的基础上,建立了铁路客运量预测的因果关系图和流程图,写出了DYNAMO方程,并对模型中的参数进行了标定,利用历史数据检验及灵敏度分析对模型的有效性进行了验证,对我国未来五年的铁路客运量进行了预测.结论显示,经检验模型有效可行,系统动力学方法较好地符合铁路客运系统的特征要求,能够很好地进行铁路客运量短期预测.     

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.     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

基于多源数据融合的城市出租车载客出行特征研究——以岳阳市为例

为探究城市出租车载客出行特征,在出租车GPS轨迹大数据基础上,融合居民出行调查数据、城市土地利用数据及天气数据,构建出租车载客出行量回归模型,得出出租车载客出行量与片区岗位数、天气状况、时段、片区面积有较强的相关性,而基于RBF神经网络构建的回归模型在上述4个因素的基础上增加了片区常住人口数和是否工作日2个因素.通过10折交叉验证表明,RBF神经网络回归模型的拟合效果比多元线性回归模型更好.     

组合预测方法在我国铁路客流预测中的应用

科学准确地预测铁路客运量是制定铁路网规划的基础。目前,运量预测的模型很多,单一模型并不能完全反映运量的变化规律和信息,因此,应采用Box-Jenkins模型和灰色预测模型相组合的预测模型方法对我国的铁路客运量进行预测,结果表明,组合预测模型能够提高我国铁路客运量的预测精度。     

基于数据预处理的铁路客运量灰色预测模型

铁路是国家的基础设施,对铁路的客运量进行准确地预测具有重要的理论意义和实际应用价值。首先对传统预测方法进行了分析,指出它们在运量预测中的不足,进而提出应用灰预测进行运量预测的优势。结合滑动平均法对灰预测方法进行了改进,同时考虑初始条件的改变。在预测2006-2010年全社会客运总量的基础上,根据铁路客运在各种运输方式中所占的份额预测2006-2010年的铁路客运总量。     

基于RBFNN的铁路混凝土桥梁构件状态评估

介绍了RBF神经网络模型的结构和训练算法,提出了既有铁路桥梁构件的综合状态评估模型,根据RBF神经网络的自适应性和学习能力,成功的将RBF神经网络应用于既有铁路桥梁构件综合状态评估中去,并给出了便于获取,且能全面准确反映桥梁实际工作状态的输入参数.以某铁路线的若干组实测数据对RBF神经网络进行训练和测试,系统输出与期望输出吻合较好,证明了RBF神经网络评估既有桥梁构件综合状态的准确性、有效性和稳定性.     

Prediction of Railway Passenger Traffic Volume

The current situation of the railway passenger traffic (RPT) andthe traffic marketing is analyzed. The grey model theory is adopted to establish a prediction model for the railway passenger traffic volume (RPTV). The RPTV from 2001 to 2005 is predicted with the proposed model, and a few suggestions are put forward.