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。     

基于信息熵TOPSIS的公交线网优化方案排序

在给出公交线网的优化原则、约束条件和目标函数的基础上,运用多目标决策方法(如:TOPSIS方法),对公交线网优化方案进行了排序.在该方法中,首先,构造评价指标的特征矩阵,运用信息熵理论将指标的熵数据处理后作为指标的客观权重,克服了以往公交线网优化中对目标函数取权重时的主观性;其次,通过将客观权重与欧几里得距离进行加权来计算距离尺度,使得优化方案与最优方案的距离计算更加准确;最后,以优化方案与最优方案的接近程度为依据,对优化方案进行排序.应用实例表明:该模型能够较好地解决优化目标的权重分配问题,对公交线网的优化调整有效且实用,优化过程简单,优化结果合理且符合实际情况.